Внутрикластерная корреляция¶

Внутрикластерная корреляция (также внутригрупповая корреляция, внутриклассовый коэффициент корреляции, англ. intraclass correlation, ICC) — это статистический показатель, характеризующий степень сходства (или взаимосвязи) наблюдений внутри одной и той же группы (кластера) по сравнению с наблюдениями из разных групп. Внутрикластерная корреляция измеряет долю общей дисперсии признака, которая обусловлена различиями между кластерами, а не внутри них.

¶Определение и математическая основа

Внутрикластерная корреляция (ICC) представляет собой отношение межгрупповой дисперсии к общей дисперсии признака. Формально, если общая дисперсия \( \sigma^2_{total} \) раскладывается на межгрупповую \( \sigma^2_{between} \) и внутригрупповую \( \sigma^2_{within} \), то ICC определяется как:

\[ ICC = \frac{\sigma^2_{between}}{\sigma^2_{between} + \sigma^2_{within}} = \frac{\sigma^2_{between}}{\sigma^2_{total}} \]

Значение ICC может варьироваться от 0 до 1. Значение, близкое к 0, указывает на то, что наблюдения внутри кластеров практически не коррелируют, и основная вариация объясняется индивидуальными различиями. Значение, близкое к 1, свидетельствует о высокой однородности внутри кластеров: все наблюдения внутри группы очень похожи, а основные различия существуют между группами.

¶История и развитие

Понятие внутрикластерной корреляции было введено в статистику в середине XX века. В 1941 году Рональд Фишер предложил внутриклассовый коэффициент корреляции для оценки надежности измерений в психометрии. В 1950-х годах Джеймс Линдли и другие статистики развили методы анализа иерархических данных, что привело к широкому применению ICC в социальных науках. В 1970-х годах с развитием многоуровневого моделирования (HLM) и методов анализа повторных измерений ICC стал ключевым параметром для оценки дизайна исследований с кластеризованными данными.

¶Классификация видов внутрикластерной корреляции

Существует несколько типов ICC, различающихся по способу расчета и интерпретации, в зависимости от дизайна исследования и типа данных.

¶ICC для однородных групп (ICC(1))

Наиболее распространенный тип, используемый в многоуровневых моделях. Он оценивает, насколько сильно наблюдения внутри одного кластера коррелируют между собой. Применяется, когда кластеры рассматриваются как случайная выборка из популяции.

¶ICC для оценки надежности (ICC(2))

Используется в психометрии и медицине для оценки согласованности измерений (например, повторных тестов или оценок разных экспертов). Различают ICC для абсолютного согласия (absolute agreement) и для консистентности (consistency). В зависимости от того, считаются ли эффекты экспертов фиксированными или случайными, выделяют модели ICC(2,1), ICC(2,k) и другие.

¶ICC для дизайна с фиксированными эффектами (ICC(3))

Применяется, когда кластеры (например, эксперты) не являются случайной выборкой, а представляют собой единственный интересующий набор. Этот тип менее распространен в общем анализе данных, но используется в некоторых специализированных областях.

¶Интерпретация значений

Общепринятых жестких порогов для интерпретации ICC не существует, однако сложились эмпирические рекомендации:

• ICC < 0.05 — очень слабая внутрикластерная корреляция, эффект кластеризации практически незначим.
• 0.05 ≤ ICC < 0.15 — слабая корреляция, но может требовать учета в многоуровневых моделях.
• 0.15 ≤ ICC < 0.25 — умеренная корреляция, кластеризация существенна.
• ICC ≥ 0.25 — сильная корреляция, игнорирование кластеризации может привести к серьезным ошибкам вывода.

В медицинских исследованиях (например, в клинических испытаниях с кластеризацией по больницам) часто считается, что ICC порядка 0.01–0.05 уже требует коррекции стандартных ошибок.

¶Применение в различных областях

¶Социальные науки и образование

В исследованиях, где данные имеют иерархическую структуру (ученики в классах, жители в районах), ICC используется для оценки эффекта школы или района на изучаемый признак. Например, в педагогических исследованиях ICC показывает, какая доля различий в успеваемости учеников объясняется принадлежностью к разным классам или школам.

¶Медицина и эпидемиология

В клинических испытаниях с кластеризованным дизайном (например, пациенты в разных больницах) ICC необходим для расчета размера выборки и коррекции стандартных ошибок. В генетике ICC применяется для оценки наследуемости признаков в семейных исследованиях.

¶Психометрия и оценка надежности

В тестологии ICC используется для оценки ретестовой надежности (повторяемости результатов при повторных измерениях) и межэкспертной согласованности. Например, в исследованиях диагностических методов ICC показывает, насколько согласованно разные врачи ставят один и тот же диагноз.

¶Экология и биология

В экологических исследованиях ICC применяется для оценки пространственной или временной автокорреляции данных (например, сходство видового состава на соседних участках). В поведенческой биологии — для оценки внутригрупповой изменчивости поведения животных в стаях.

¶Влияние на статистический анализ

Игнорирование внутрикластерной корреляции при анализе данных приводит к занижению стандартных ошибок и, как следствие, к завышению статистической значимости (увеличению вероятности ложноположительных результатов). Это явление известно как «проблема единицы анализа» (unit of analysis problem). Для корректного анализа данных с кластеризованной структурой применяются:

• Многоуровневые модели (иерархические линейные модели, модели со смешанными эффектами).
• Методы робастных стандартных ошибок (например, сэндвич-оценки).
• Коррекция дизайна (design effect) при расчете размера выборки.

¶Ограничения и критика

Внутрикластерная корреляция является описательным показателем и не раскрывает причинно-следственных связей. Высокий ICC может быть следствием как истинного сходства внутри групп, так и артефактов измерения (например, систематической ошибки инструмента). Кроме того, ICC чувствителен к размеру кластеров и количеству кластеров: при малом числе групп (менее 10–20) оценка может быть смещенной. В некоторых случаях, особенно при малых выборках, рекомендуется использовать поправки (например, метод Кенуорда-Роджера для степеней свободы).

¶Пример расчета

Рассмотрим гипотетическое исследование успеваемости учеников в 10 классах (по 20 учеников в каждом). Общая дисперсия оценок составляет 100, межгрупповая дисперсия (между классами) — 20, внутригрупповая — 80. Тогда ICC = 20 / 100 = 0.2. Это означает, что 20% вариации успеваемости объясняется различиями между классами, а 80% — индивидуальными различиями учеников внутри классов. Для корректного сравнения средних по классам необходимо учитывать этот ICC при расчете стандартных ошибок.

¶Источники

• Fisher, R. A. (1941). Statistical Methods for Research Workers. Oliver and Boyd.
• Snijders, T. A. B., & Bosker, R. J. (2012). Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling. Sage.
• Hox, J. J. (2010). Multilevel Analysis: Techniques and Applications. Routledge.
• Donner, A., & Klar, N. (2000). Design and Analysis of Cluster Randomization Trials in Health Research. Wiley.
• McGraw, K. O., & Wong, S. P. (1996). Forming inferences about some intraclass correlation coefficients. Psychological Methods, 1(1), 30–46.