クラス内の相関と集約

8

想像してみろ：

それぞれに10メンバーの1000チームのサンプルがあります。
信頼できる複数項目の数値スケールを使用して、チームが機能していると各チームメンバーにどれだけ考えているかを尋ねて、チームの機能を測定しました。
チームの有効性の測定が、チームメンバーの特異な信念の特性であるか、またはチームに関する共有された信念の特性である範囲を説明する必要があります。

この状況および関連する状況（組織への集計など）では、多くの研究者がクラス内相関を報告します（たとえば、Campion＆Medskerの表1、1993）。したがって、私の質問は次のとおりです。

クラス内相関のさまざまな値にどの説明ラベルを付けますか？つまり、クラス内相関の値を次のような定性的な言語に実際に関連付けることを目的としています。
クラス内相関は適切な統計だと思いますか、それとも別の戦略を使用しますか？

— ジェロミー・アングリム
ソース

サブ質問を開始するわけではありませんが、クラス内相関の有用性を理解したことがありません。あなたが説明するシナリオは、（1）チーム平均の分散と（2）チーム内平均の分散について話すことで適切にキャプチャできることに私は驚かされます。

— Mike Lawrence、

あなたの質問の依存測定を理解するのに問題があります。チームの有効性はどのように測定されていますか？「チームの有効性の測定」と言うと、「チームの機能」の測定について話しているように聞こえます。もしそうなら、依存測定は必ずしも基準が汚染されているのではないですか？

— russellpierce

@drknexus通常のチームスタディでは、各チームメンバーは、たとえば、「私のチームはうまく機能している」、「チームのメンバーはお互いにうまくやっている」、「私のチームは建設的に対立を処理している」などの文との合意のレベルについて質問されます。したがって、問題は、そのような信念がチームメンバーによって共有される程度です。

— Jeromy Anglim 2010

4

（1）は統計的な問題ではなく、主題の問題だと思います。たとえば、上記の例では、ICCの強みに適した言語を決定するのは、グループ心理学を研究する人次第です。これはピアソン相関に似ています。「強い」とは、社会学と物理学のどちらで働いているかによって異なります。

（2）ある程度、分野によっても異なります。これは、研究者が何を測定して記述しようとしているのかに依存します。しかし、統計的な観点から見ると、ICCはチーム内の関連性の妥当な指標です。しかし、私はマイクに同意します。

「チームの有効性の測定が、チームメンバーの特異な信念の特性またはチームに関する共有された信念の特性である範囲を説明してください。」

その場合、ICCに変換するよりも、生の形式で分散コンポーネントを使用する方が適切です。

明確にするために、ICCは混合モデル内で計算されたものと考えてください。ランダムなグループレベルの切片がある単一レベルの混合モデルの場合とグループ内エラー、はチーム間の変動量を示し、はチーム内の変動量を示します。次に、単一のチームについて、応答共分散行列を取得します。これは、相関行列に変換すると。そう、 $b_i \sim N(0, \sigma^2_b)$ $\epsilon_{ij} \stackrel{\mathrm{iid}}{\sim} N(0, \sigma^2)$ $\sigma^2_b$ $\sigma^2$ $\sigma^2 \mathbf{I} + \sigma^2_b \mathbf{1}\mathbf{1}'$ $\frac{\sigma^2}{\sigma^2 + \sigma^2_b} \mathbf{I} + \frac{\sigma^2_b}{\sigma^2 + \sigma^2_b} \mathbf{1}\mathbf{1}'$ $\frac{\sigma^2_b}{\sigma^2 + \sigma^2_b} = \mathrm{ICC}$ は、チーム内の有効性応答間の相関のレベルを示しますが、関心があるようにますと、またはおそらく。 $\sigma^2$ $\sigma^2_b$ $\frac{\sigma^2}{\sigma^2_b}$

— キングスフォードジョーンズ
ソース

1

1）相関を使用すると、実際に適切なカットオフを与えることはできませんが、通常の相関の一般的な規則が適用されると思います。

2）ICCの適切性に関して：データに応じて、ICCはF検定と同等です（例：Commenges＆Jacqmin、1994およびKistner ＆Muller、2004を参照）。したがって、本質的に、混合モデルフレームワークは、少なくとも仮説について同じくらい多くを伝えることができ、ICCよりも多くの仮説を同時にテストすることができます。

CronbachのもICCに直接関連しており、グループ内の項目間の合意という文脈ではありますが、しばしば報告されている（そうでしたか？）このアプローチは心理的アンケートから来ており、0.7のカットオフは、質問が実際に調査された要因にグループ化されるかどうかを決定するためにかなり頻繁に使用されます。 $\alpha$

— ジョリス・メイス
ソース

1

クロンバッハのアルファは、本質的に内部の一貫性の尺度であり、アイテム間の相関関係のことです。ただし、多くの落とし穴に悩まされています。特に、アイテムの数を増やすと増加するという事実があります（分散の比率ですが、マイナスになることもあります！）。ここでは、チーム内の個人レベルでの変動/均一性の説明に重点を置くと思います。そのため、混合効果モデリングまたは階層モデルを考えることは、出発点として適切です。

— chl

1

Paul Blieseは、チーム研究におけるクラス内相関について議論する記事を持っています。彼はそれを書いています

米軍の[チーム]データに関する[彼の]経験では、彼は.30を超えるICC（1）値に遭遇したことはありませんでした。

彼は続けるだろうと示唆し続けます

ほとんどの応用分野の研究で、.30より大きいICC（1）値を見つけて驚いた。

私はこの記事を引用する記事を読んだことがありますが、おそらく不適切ですが、集計を正当化するにはICC（1）値が.05より大きい必要があることを示唆しています。

参考文献

ブリーゼ、PD（2000）。グループ内の合意、非独立性、および信頼性：データの集計と分析への影響。PDF

— ジェロミー・アングリム
ソース