我的理解是，类内相关性让您了解您的二级因素可以解释因变量的总体方差有多大的方差。它应该表明数据的方差结构是否证明了多层次分析是合理的。

现在，我指定了一个空模型，作为混合效应分析的起点，其中测试项目嵌套在受试者中。因此，我将每个主题 ID 视为包含 28 个项目的二级单元。看起来像这样：

Mt01 <- lmer(APMt ~ (1|ID) + (1|content), data=mlmData, REML=FALSE)

#Output:
Random effects:
 Groups   Name        Variance Std.Dev.
 ID       (Intercept) 0.102    0.319   
 content  (Intercept) 0.300    0.548   
 Residual             0.213    0.462   
Number of obs: 2940, groups:  ID, 105; content, 28

因变量是每个项目的 log(time)。我指定了两种随机效应，一种是由于受试者，另一种是由于项目内容（所有受试者都在相同的项目上工作）。

我将如何计算ICC？我是否为每个随机因素计算一个？在这种情况下甚至有必要吗？我将如何准确地解释该值？

以下是我的一些方法：

InterceptVarSubj <- VarCorr( Mt01 )$ID
    InterceptVarItem <- VarCorr( Mt01 )$content
ResidualVar <- attr( VarCorr( Mt01 ), "sc")^2

#A
icc <- InterceptVarItem / (InterceptVarItem + ResidualVar)
icc
[1] 0.584
#B
icc <- InterceptVarItem / (InterceptVarItem + InterceptVarSubj + ResidualVar)
icc
[1] 0.488
#C
icc <- InterceptVarSubj / (InterceptVarSubj + ResidualVar)
icc
[1] 0.323
#D
icc <- InterceptVarSubj / (InterceptVarItem + InterceptVarSubj + ResidualVar)
icc
[1] 0.165