组内相关系数（intra-class correlation coefficient, ICC）的用途、类型以及计算。 ICC常用于衡量某个指标（比如，皮层厚度）在多次测量中的一致性/相似性（即信度）。在概念上，ICC等于真实的（被试间）变异除以观测的变异，观测的变异等于真实的变异加上
噪声变异。比如，ICC=0.5
表示真实变异和噪声变异相同。ICC越高，表明观测/测量越可靠。ICC的理论范围在0-1，一般地，ICC位于0-0.5之间表示信度差，0.5-0.75表示中等，0.75-0.9表示好，0.9-1表示极好（也存在其他分类标准）。 信度的现实意义在于，如果信度低，那么对于检测同样的效果量，需要更大的样本量 根据如何计算ICC，可以分为三个类型，即ICC(1,1), ICC(2,1)和ICC(3,1)。ICC(2,1)也表示为ICC(A,1)，ICC(3,1)也表示为ICC(C,1)。在MRI脑成像中，ICC(2,1)似乎是最常用的。ICC(2,1)和ICC(3,1)的区别在于是否考虑多次测量之间的系统性噪声，直观来说，就是ICC(2,1)对
变量的均值敏感，ICC(3,1)对变量的均值不敏感。作为对比，熟知的皮尔逊相关系数对于变量的均值和方差都不敏感，只对变量之间的协方差敏感。 在具体估计方法上，常见的有ANOVA和LME（linear mixed-effects）两种。LME的好处是不会出现ICC<0的情况，以及可以处理存在缺失值/协变量的情况。知道是用lme4中的lmer函数，可是结果怎么解释啊，比如
summary(lme(Gmax~1,na.omit(RLC[RLC$Date.set==herbs,]),random = ~1Plant/Species))
Linear mixed-effects model fit by REML
Data: na.omit(RLC[RLC$Date.set == herbs, ])
AIC BIC logLik
4186.307 4199.48 -2089.154
Random effects:
Formula: ~1 Plant
(Intercept)
StdDev: 0.5173468
