我认为（1）不是一个统计问题，而是一个学科领域的问题。例如，在所描述的示例中，由研究群体心理学的人来确定适合 ICC 强度的语言。这类似于皮尔逊相关性——什么构成“强”取决于一个人是从事社会学还是物理学等领域的工作。

(2) 在一定程度上也是特定于学科领域的——这取决于研究人员的目标是测量和描述什么。但从统计的角度来看，ICC 是衡量团队内部相关性的合理指标。但是我同意迈克的观点，当你说你想

“描述团队有效性的衡量标准在多大程度上是团队成员独特信念的属性或对团队的共同信念的属性”

那么使用原始形式的方差分量可能比将它们转换为 ICC 更合适。

澄清一下，将 ICC 视为在混合模型中计算的。对于具有随机组级截距的单级混合模型$b_i \sim N(0, \sigma^2_b)$和组内错误$\epsilon_{ij} \stackrel{\mathrm{iid}}{\sim} N(0, \sigma^2)$,$\sigma^2_b$描述团队之间的变化量和$\sigma^2$描述团队内部的变化。然后，对于单个团队，我们得到一个响应协方差矩阵$\sigma^2 \mathbf{I} + \sigma^2_b \mathbf{1}\mathbf{1}'$当转换为相关矩阵时$\frac{\sigma^2}{\sigma^2 + \sigma^2_b} \mathbf{I} + \frac{\sigma^2_b}{\sigma^2 + \sigma^2_b} \mathbf{1}\mathbf{1}'$. 所以，$\frac{\sigma^2_b}{\sigma^2 + \sigma^2_b} = \mathrm{ICC}$描述了团队内有效性响应之间的相关程度，但听起来您可能更感兴趣$\sigma^2$和$\sigma^2_b$， 也许$\frac{\sigma^2}{\sigma^2_b}$.

1）对于相关性，您永远无法真正给出合理的截止值，但我想说的是正常相关性的一般规则。

2) 关于 ICC 的适当性：根据数据，ICC 等同于 F 检验（参见例如Commenges & Jacqmin, 1994和Kistner & Muller, 2004）。因此，从本质上讲，混合模型框架可以告诉您至少与您的假设一样多的信息，并允许同时测试比 ICC 更多的假设。

克朗巴赫$\alpha$也与 ICC 直接相关，并且（曾经？）经常报告的另一种措施，尽管是在组内项目之间达成一致的背景下。这种方法来自心理问卷，其中 0.7 的截止值通常用于确定问题是否真正归入研究的因素。

Paul Bliese 有一篇文章讨论团队研究中的类内相关性。他写道

在 [他对美国陆军 [团队] 数据的丰富经验中……他从未遇到过大于 0.30 的 ICC(1) 值，而且他] 通常 [看到] 0.05 到 0.20 之间的值。

他继续建议他将

在大多数应用领域研究中发现 ICC(1) 值大于 0.30 感到惊讶。

我读过引用这篇文章的文章，可以说是不恰当的，暗示需要大于 0.05 的 ICC(1) 值来证明聚合的合理性。

参考

• Bliese，PD（2000 年）。组内一致性、非独立性和可靠性：对数据聚合和分析的影响。PDF格式