统计 / 协议
Cohen's Kappa计算器（评定者间一致性）
根据每对评分出现次数的一致性表，使用Cohen's kappa衡量两名评定者超出偶然水平的一致性；对于有序类别，还可使用线性或二次权重计算加权kappa。
Cohen's Kappa计算器（评定者间一致性）: 观测一致性是对角线上的项目占比；偶然一致性是各类别中两名评定者的占比相乘后求和。κ =（观测一致性 − 偶然一致性）÷（1 − 偶然一致性）。对于示例表，观测一致性为73.8%，偶然一致性为34.8%，κ = 0.597，属于中等一致性。加权kappa会对有序量表上的接近评分给予部分认可。结果与statsmodels一致。 完全在浏览器中本地运行，文件不会上传到服务器。
- 类别
- 学习工具
- 使用次数
- 在浏览器中
- 费用
- 免费·无需注册
- 可用性
- 可直接使用
完全在浏览器中运行
Kappa衡量两位评定者的一致程度超出随机一致程度的部分：κ=（观察值−预期值）÷（1−预期值），其中预期一致率来自每位评定者的总体类别比例。对于有序类别，加权kappa会对接近但不完全一致的结果给予部分分值。Landis和Koch的分级将0.41–0.60称为中等，0.61–0.80称为较高，超过0.80称为几乎完美；这些只是约定，并非检验。
计算示例
两名临床医生将80个病例评为轻度、中度或重度，其中59个病例（73.8%）的评价一致。根据两人的类别总数计算得出的偶然一致率为34.8%，因此κ = (0.738 − 0.348) ÷ (1 − 0.348) = 0.597。线性权重为0.631，二次权重为0.671。
如需检验两个分类变量是否相关，而不是评价评分者之间的一致程度，请使用卡方检验计算器。
Kappa的特点
即使一致率很高，当某个类别非常少见或非常常见时，Kappa也可能很低，这就是所谓的Kappa悖论；同时也应报告一致性表。
如果评分者超过两名，通常使用Fleiss' kappa作为扩展方法。
使用方法
- 输入一致性表：将评定者A的类别作为行，评定者B的类别作为列，并在单元格中填入次数。
- 对于普通类别选择不加权；对于有序类别选择线性权重或二次权重。
- 查看kappa、对应等级，以及观测一致性和偶然一致性。
隐私与限制
您的数据会保留在浏览器中。
相关工具
常见问题
为什么不直接报告百分比一致性？
因为评定者有时会因偶然而达成一致，尤其是在某个类别较常见时；kappa会排除这部分一致性。
多大的kappa算好？
Landis和Koch将0.41–0.60称为中等一致性，0.61–0.80称为较高一致性，0.81–1称为几乎完全一致；具体要求因领域而异。
什么时候应使用加权kappa？
对于有序类别应使用加权kappa，例如轻度、中度和重度，因为将中度评为重度，比将轻度评为重度的分歧更小。
免费工具·使用在浏览器中次·无需账户