Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Coeficiente de Correlação Intraclasse

A correlação intraclasse (ICC) é uma medida estatística usada para avaliar a confiabilidade ou consistência entre múltiplas medições feitas por diferentes observadores ou instrumentos. Há duas abordagens principais para avaliar a confiabilidade: concordância (absolute agreement) e consistência (consistency).

1- Concordância (Absolute agreement): Neste caso, a ICC mede o grau em que as medições feitas pelos diferentes observadores ou instrumentos estão em acordo absoluto. A concordância leva em consideração tanto a consistência quanto as diferenças sistemáticas entre as medições. Portanto, é uma medida mais rigorosa da confiabilidade, pois exige que as medições sejam semelhantes tanto em termos de tendência quanto de magnitude.

2- Consistência (Consistency): A consistência refere-se à correlação entre as medições feitas pelos diferentes observadores ou instrumentos, independentemente de possíveis diferenças sistemáticas entre eles. A consistência se concentra na tendência das medições de manter a mesma classificação relativa entre os sujeitos, mesmo que os valores absolutos possam ser diferentes.

Vamos à um exemplo didático:

Imagine que temos dois professores, Prof. A e Prof. B, avaliando a redação de dez alunos. As notas variam de 0 a 100. As notas atribuídas pelos dois professores são:

Prof. A: [60, 70, 80, 90, 75, 85, 95, 80, 60, 70] Prof. B: [50, 60, 70, 80, 65, 75, 85, 70, 50, 60]

Se estivermos interessados na concordância (absolute agreement), queremos saber o quanto os dois professores concordam em termos de notas absolutas atribuídas aos alunos. Nesse caso, podemos ver que há uma diferença sistemática de 10 pontos entre as notas dos professores, o que diminuirá a correlação intraclasse.

No entanto, se estivermos interessados na consistência (consistency), estamos analisando se os professores tendem a dar classificações relativas semelhantes aos alunos, independentemente das diferenças absolutas nas notas.

Nesse caso, podemos ver que a ordem relativa das notas atribuídas pelos dois professores é bastante semelhante (mesmo que as notas absolutas sejam diferentes em 10 pontos). Isso resultará em uma correlação intraclasse mais alta para a consistência em comparação com a concordância absoluta.

A correlação intraclasse (ICC) pode ser calculada usando diferentes modelos, dependendo do desenho do estudo e do objetivo da análise. Os três modelos mais comuns são: One-Way Random, Two-Way Random e Two-Way Mixed. Aqui estão as diferenças entre eles:

One-Way Random (Modelo de uma via aleatório): Neste modelo, cada sujeito é avaliado por um conjunto diferente de avaliadores que foram escolhidos aleatoriamente. Ou seja, há uma variabilidade em quem avalia cada amostra. O One-Way Random é usado quando o interesse está na generalização das conclusões para um conjunto maior de avaliadores e não é necessário levar em consideração o efeito específico dos avaliadores. Esse modelo é raramente usado, pois, em geral, usamos os mesmos juízes para avaliar todas as amostras. Mas se esse não for o seu caso, considere o One-Way Random.

Two-Way Random (Modelo de duas vias aleatório): Esse é o modelo mais comumente usado nas pesquisas científicas. Aqui, tanto os sujeitos quanto os avaliadores são considerados amostras aleatórias de suas respectivas populações. Ou seja, quando você tem uma amostra (e não uma população) e quando os avaliadores também são apenas uma amostra de possíveis outros avaliadores existentes. A variabilidade é atribuída aos sujeitos, aos avaliadores e ao erro. O ICC no Two-Way Random mede a confiabilidade, levando em consideração tanto o efeito dos sujeitos quanto o efeito dos avaliadores. Este modelo é usado quando o interesse está na generalização das conclusões para um conjunto maior de sujeitos e avaliadores (o que é a maioria dos casos).

Two-Way Mixed (Modelo de duas vias misto): Neste modelo, a variabilidade é atribuída aos sujeitos, aos avaliadores e ao erro, assim como no Two-Way Random. No entanto, a diferença é que, no Two-Way Mixed, os avaliadores são considerados uma amostra fixa e não aleatória da população de avaliadores. Isso significa que o interesse está na confiabilidade das classificações específicas dos avaliadores selecionados, e as conclusões não são generalizadas para um conjunto maior de avaliadores. O ICC no Two-Way Mixed é usado quando se quer avaliar a confiabilidade entre avaliadores específicos e não se espera que outros avaliadores sejam incluídos no futuro.

Para facilitar a escolha do modelo a ser utilizado, logo abaixo adaptamos um fluxograma mostrando o processo de seleção do ICC com base no desenho experimental (Koo & Li 2016).

O processo envolve a seleção do modelo apropriado (ou seja, efeitos aleatórios de 1 via, efeitos aleatórios de 2 vias ou efeitos fixos de 2 vias), tipo (ou seja, único avaliador/medição ou a média de k avaliadores/medidas), e definição da relação considerada importante (ou seja, consistência ou concordância absoluta).

Em resumo, a escolha do modelo apropriado para calcular o ICC depende das características do seu estudo e dos objetivos da análise. O One-Way Random é usado quando apenas os avaliadores são considerados aleatórios, enquanto o Two-Way Random é usado quando ambos os sujeitos e avaliadores são considerados aleatórios. Já o Two-Way Mixed é usado quando os avaliadores são considerados fixos e a amostra aleatória.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Referência: Koo, T. K., & Li, M. Y. (2016). A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research. Journal of chiropractic medicine15(2), 155–163. https://doi.org/10.1016/j.jcm.2016.02.012

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Uma resposta

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Análise de mediação e moderação: definições e diferenças

Análise de mediação e moderação: definições e diferenças

Nesse post, discutimos as caracteríticas e diferenças entre modelos de mediação e moderação.

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Nesse post, discutimos quando utilizar uma análise fatorial exploratória e uma análise fatorial confirmatória.

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Nesse post, discutimos as diferenças entre análise fatorial e análise de componentes principais, e quando usar cada uma dessas técnicas.

O que é Psicometria?

O que é Psicometria?

A Psicometria pode ser definida como a ciência da mensuração de características, atributos e habilidades psicológicas (Buchanan & Finch, 2005), sendo uma importante área de estudos na Psicologia e, também, na educação.

O que é regressão linear simples?

O que é regressão linear simples?

Entenda o que é regressão linear simples.

Análise de mediação e moderação: definições e diferenças

Análise de mediação e moderação: definições e diferenças

Nesse post, discutimos as caracteríticas e diferenças entre modelos de mediação e moderação.

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Nesse post, discutimos quando utilizar uma análise fatorial exploratória e uma análise fatorial confirmatória.

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Nesse post, discutimos as diferenças entre análise fatorial e análise de componentes principais, e quando usar cada uma dessas técnicas.

O que é Psicometria?

O que é Psicometria?

A Psicometria pode ser definida como a ciência da mensuração de características, atributos e habilidades psicológicas (Buchanan & Finch, 2005), sendo uma importante área de estudos na Psicologia e, também, na educação.

O que é regressão linear simples?

O que é regressão linear simples?

Entenda o que é regressão linear simples.

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.