Coefficient de corrélation intraclasse (ICC) en R : accord pour notes continues

Q: Qu’est-ce que le coefficient de corrélation intraclasse (ICC) ?

L’ICC mesure l’accord ou la fiabilité de notes continues (numériques) attribuées par plusieurs évaluateurs aux mêmes sujets. C’est la proportion de la variance totale due aux différences entre les sujets (le signal) plutôt qu’au désaccord entre évaluateurs (le bruit) — proche de 1 signifie que les évaluateurs notent les sujets de façon cohérente, proche de 0 qu’ils ne le font pas. C’est l’équivalent, pour les données continues, du kappa de Cohen/Fleiss.

Q: Comment choisir la forme d’ICC à utiliser ?

Trois choix : le modèle (à deux facteurs si les mêmes évaluateurs notent tout le monde, à un facteur sinon), le type (accord absolu si les valeurs exactes importent, cohérence si seul le classement importe) et l’unité (évaluateur unique, ou moyenne de k évaluateurs si c’est votre mesure finale). Le plus courant est à deux facteurs, accord absolu, évaluateur unique.

Q: Quelle est la différence entre cohérence et accord absolu ?

La cohérence demande si les évaluateurs classent les sujets de la même manière, en ignorant les différences systématiques de leur échelle (un évaluateur toujours 2 points au-dessus garde une cohérence parfaite). L’accord absolu demande s’ils donnent la même valeur, pénalisant ces décalages systématiques. Utilisez l’accord quand les nombres réels importent ; la cohérence quand seul l’ordre relatif importe.

Mesurez la cohérence des notes attribuées par plusieurs évaluateurs sur une échelle numérique — choisissez la bonne forme d’ICC (à un facteur vs à deux facteurs, cohérence vs accord, unique vs moyenne) et calculez-la avec irr et psych

Apprenez à calculer le coefficient de corrélation intraclasse (ICC) en R — la mesure d’accord pour des notes continues (numériques) attribuées par plusieurs évaluateurs. Choisissez la forme d’ICC correcte (modèle à un facteur vs à deux facteurs, cohérence vs accord absolu, évaluateur unique vs moyenne) et calculez-la avec la fonction icc() de irr et la fonction ICC() de psych, puis interprétez la force de l’accord.

Date de publication

23 juin 2026

Modifié

7 juillet 2026

Points clés

Le coefficient de corrélation intraclasse (ICC) mesure l’accord pour des notes continues (numériques) attribuées par plusieurs évaluateurs — l’équivalent du kappa pour les notes catégorielles.
Choisissez la forme selon trois décisions : le modèle (à un facteur vs à deux facteurs), le type (cohérence vs accord absolu) et l’unité (un évaluateur unique vs la moyenne de k évaluateurs) — donnant six formes d’ICC.
Calculez une forme précise avec irr::icc(), ou les six à la fois avec psych::ICC().
Interprétez avec l’échelle de Koo & Li : < 0.50 faible, 0.50–0.75 modéré, 0.75–0.90 bon, > 0.90 excellent.
L’ICC va de 0 à 1 : une valeur élevée signifie que les évaluateurs notent les mêmes sujets de façon similaire ; une valeur faible, qu’ils ne le font pas.

Introduction

Lorsque des évaluateurs notent des items sur une échelle numérique — trois médecins évaluant l’anxiété sur une échelle numérique, plusieurs relecteurs notant des dissertations — le kappa (pour les catégories) ne s’applique plus. Le coefficient de corrélation intraclasse (ICC) mesure à quel point les évaluateurs notent les mêmes sujets de manière cohérente : proche de 1 signifie que les évaluateurs s’accordent, proche de 0 qu’ils ne s’accordent pas.

Le piège est qu’« ICC » n’est pas un seul nombre — il existe six formes, et choisir la mauvaise donne un résultat trompeur. Cette leçon explique le choix et calcule l’ICC avec les paquets irr et psych.

Choisir la bonne forme d’ICC

Trois décisions déterminent la forme :

Modèle — à un facteur (chaque sujet noté par un ensemble différent et aléatoire d’évaluateurs) ou à deux facteurs (les mêmes évaluateurs notent chaque sujet — le cas habituel).
Type — cohérence (les évaluateurs classent-ils les sujets de la même façon, en ignorant les décalages systématiques ?) ou accord absolu (donnent-ils la même valeur ?).
Unité — votre mesure est-elle la note d’un seul évaluateur, ou la moyenne de k évaluateurs ?

La plupart des études de fiabilité utilisent à deux facteurs, accord absolu, évaluateur unique. N’utilisez la moyenne que si votre mesure finale est la moyenne de plusieurs évaluateurs.

Note

Interprétation de l’ICC (Koo & Li 2016) : en dessous de 0.50 faible · 0.50–0.75 modéré · 0.75–0.90 bon · au-dessus de 0.90 excellent — jugée sur la borne inférieure de l’IC à 95 % pour un rapport prudent.

Les données : trois médecins évaluant l’anxiété

Le jeu de données anxiety du paquet irr comporte 20 sujets chacun noté par 3 médecins sur une échelle numérique d’anxiété (une ligne par sujet, une colonne par évaluateur) :

library(irr)

data("anxiety", package = "irr")
head(anxiety, 4)

  rater1 rater2 rater3
1      3      3      2
2      3      6      1
3      3      4      4
4      4      6      4

Un graphique en courbes des notes de chaque médecin sur l’ensemble des sujets montre que les évaluateurs sont souvent en désaccord — les courbes se croisent au lieu de rester parallèles :

library(irr)
library(ggpubr)

data("anxiety", package = "irr")
n <- nrow(anxiety)
long <- data.frame(
  subject = rep(1:n, 3),
  rater   = factor(rep(c("rater1", "rater2", "rater3"), each = n)),
  score   = c(anxiety$rater1, anxiety$rater2, anxiety$rater3)
)

ggline(long, x = "subject", y = "score", color = "rater", palette = "jco",
       numeric.x.axis = TRUE, size = 0.6, xlab = "Subject", ylab = "Anxiety rating")

A line plot of three doctors' anxiety ratings across 20 subjects; the three lines cross frequently, a visual sign of low absolute agreement.

Calculer une seule forme avec irr

irr::icc() calcule une seule forme choisie. Pour l’ICC courant à deux facteurs, accord absolu, évaluateur unique :

library(irr)

data("anxiety", package = "irr")

icc(anxiety, model = "twoway", type = "agreement", unit = "single")

 Single Score Intraclass Correlation

   Model: twoway 
   Type : agreement 

   Subjects = 20 
     Raters = 3 
   ICC(A,1) = 0.198

 F-Test, H0: r0 = 0 ; H1: r0 > 0 
 F(19,39.7) = 1.83 , p = 0.0543 

 95%-Confidence Interval for ICC Population Values:
  -0.039 < ICC < 0.494

L’ICC est de 0.20 avec un IC à 95 % d’environ [−0.04, 0.49] et p = 0.056 — un faible accord absolu. Les trois médecins ne donnent pas les mêmes valeurs d’anxiété, et l’intervalle inclut 0, de sorte que l’accord n’est même pas significatif.

Calculer les six formes avec psych

psych::ICC() renvoie les six formes à la fois — choisissez la ligne qui correspond à votre plan :

library(psych)

data("anxiety", package = "irr")

ICC(anxiety)

Call: ICC(x = anxiety)

Intraclass correlation coefficients 
                         type  ICC   F df1 df2     p lower bound upper bound
Single_raters_absolute   ICC1 0.18 1.6  19  40 0.094      -0.077        0.48
Single_random_raters     ICC2 0.20 1.8  19  38 0.056      -0.039        0.49
Single_fixed_raters      ICC3 0.22 1.8  19  38 0.056      -0.046        0.52
Average_raters_absolute ICC1k 0.39 1.6  19  40 0.094      -0.275        0.74
Average_random_raters   ICC2k 0.43 1.8  19  38 0.056      -0.127        0.75
Average_fixed_raters    ICC3k 0.45 1.8  19  38 0.056      -0.153        0.77

 Number of subjects = 20     Number of Judges =  3
See the help file for a discussion of the other 4 McGraw and Wong estimates,

Les lignes sont : ICC1 (à un facteur, unique), ICC2 (à deux facteurs accord, unique), ICC3 (à deux facteurs cohérence, unique) et ICC1k/ICC2k/ICC3k (les mêmes pour la moyenne des 3 évaluateurs). Notre forme choisie, à deux facteurs accord absolu évaluateur unique, est ICC2 ≈ 0.20 — concordant avec le résultat de irr. Remarquez que les formes moyenne d’évaluateurs (ICC2k) sont plus élevées : faire la moyenne des évaluateurs lisse leurs désaccords.

Rapport

Le coefficient de corrélation intraclasse a été calculé pour évaluer l’accord entre trois médecins évaluant l’anxiété chez 20 sujets, à l’aide d’un modèle à effets aléatoires à deux facteurs, accord absolu, unité évaluateur unique. L’accord absolu entre les médecins était faible, ICC = 0.20 (IC à 95 %, −0.04 à 0.49), p = 0.056.

Les mathématiques (optionnel)

L’ICC partitionne la variance totale en composantes inter-sujets et intra-sujets (erreur) issues d’une ANOVA à effets mixtes. Dans la forme générale $\text{ICC} = \dfrac{\sigma^2_{b}}{\sigma^2_{b} + \sigma^2_{w}}$, où $\sigma^2_b$ est la variance entre les sujets (le signal que l’on veut voir suivi par les évaluateurs) et $\sigma^2_w$ est la variance intra-sujet (le désaccord entre évaluateurs). Les formes d’accord absolu incluent la variance des évaluateurs (colonne) dans $\sigma^2_w$, pénalisant les décalages systématiques entre évaluateurs ; les formes de cohérence l’excluent, demandant seulement si les évaluateurs classent les sujets de la même manière. Les formes moyenne divisent l’erreur par k, ce qui explique pourquoi elles sont plus grandes.

Essayez en direct

Calculez différentes formes d’ICC et comparez unique vs moyenne. Le bac à sable démarre au premier Run.

🟢 Avec un agent IA

Demandez à Prova « J’ai plusieurs évaluateurs notant des sujets sur une échelle numérique — calcule le bon ICC pour mon plan et dis-moi si l’accord est bon » — elle répond avec du code que vous pouvez exécuter sur vos propres données et vous aide à choisir le modèle/type/unité. The runtime is the judge. Demander à Prova →

Problèmes courants

Vous avez choisi la mauvaise forme. Les six ICC peuvent beaucoup différer. Utilisez à deux facteurs quand les mêmes évaluateurs notent tout le monde (presque toujours) ; l’accord absolu (et non la cohérence) quand vous avez besoin des mêmes valeurs, et non seulement du même classement ; l’unité unique sauf si votre mesure finale est la moyenne de k évaluateurs.

Vous avez rapporté la cohérence alors qu’il vous fallait l’accord. La cohérence ignore les décalages systématiques — deux évaluateurs qui diffèrent toujours d’exactement 2 points ont une cohérence parfaite mais un accord faible. Si les valeurs réelles importent, rapportez l’accord absolu.

Vous avez jugé l’ICC sur la seule estimation ponctuelle. Les estimations d’ICC ont de larges intervalles avec peu de sujets. Rapportez et interprétez l’intervalle de confiance à 95 % (Koo & Li suggèrent de juger sur sa borne inférieure), comme le montre ici notre IC qui inclut 0.

Questions fréquentes

Qu’est-ce que le coefficient de corrélation intraclasse (ICC) ?

L’ICC mesure l’accord ou la fiabilité de notes continues (numériques) attribuées par plusieurs évaluateurs aux mêmes sujets. C’est la proportion de la variance totale due aux différences entre les sujets (le signal) plutôt qu’au désaccord entre évaluateurs (le bruit) — proche de 1 signifie que les évaluateurs notent les sujets de façon cohérente, proche de 0 qu’ils ne le font pas. C’est l’équivalent, pour les données continues, du kappa de Cohen/Fleiss.

Comment choisir la forme d’ICC à utiliser ?

Trois choix : le modèle (à deux facteurs si les mêmes évaluateurs notent tout le monde, à un facteur sinon), le type (accord absolu si les valeurs exactes importent, cohérence si seul le classement importe) et l’unité (évaluateur unique, ou moyenne de k évaluateurs si c’est votre mesure finale). Le plus courant est à deux facteurs, accord absolu, évaluateur unique.

Quelle est la différence entre cohérence et accord absolu ?

La cohérence demande si les évaluateurs classent les sujets de la même manière, en ignorant les différences systématiques de leur échelle (un évaluateur toujours 2 points au-dessus garde une cohérence parfaite). L’accord absolu demande s’ils donnent la même valeur, pénalisant ces décalages systématiques. Utilisez l’accord quand les nombres réels importent ; la cohérence quand seul l’ordre relatif importe.

Comment interpréter une valeur d’ICC ?

En utilisant les repères de Koo & Li : en dessous de 0.50 c’est faible, 0.50–0.75 modéré, 0.75–0.90 bon, et au-dessus de 0.90 excellent. Comme les estimations d’ICC peuvent être imprécises avec peu de sujets, jugez sur la borne inférieure de l’intervalle de confiance à 95 % pour une conclusion prudente.

Testez vos connaissances

Pratique

Exécutez-le. Dans la cellule interactive, calculez l’ICC à deux facteurs accord absolu évaluateur unique, puis passez à type = "consistency". Remplissez le blanc. Lequel est le plus élevé, et pourquoi ?
Conceptuel. Deux évaluateurs notent des dissertations, et l’un est toujours exactement 5 points plus généreux que l’autre. Quel effet cela a-t-il sur l’ICC de cohérence par rapport à l’ICC d’accord ?

Indice

Remplissez le blanc avec "agreement" (puis essayez "consistency"). Pour la question 2, rappelez-vous que la cohérence ignore les décalages systématiques tandis que l’accord les pénalise.

Solution

icc(anxiety, model = "twoway", type = "agreement",   unit = "single")  #> ICC ≈ 0.20
icc(anxiety, model = "twoway", type = "consistency", unit = "single")  #> higher

La cohérence est généralement plus élevée parce qu’elle ignore les décalages systématiques entre évaluateurs. Pour la question 2 : le décalage constant de 5 points laisse l’ICC de cohérence élevé (le classement est identique) mais fait chuter l’ICC d’accord (les valeurs ne sont jamais les mêmes) — exactement le cas où les deux formes divergent et où vous devez choisir celle qui correspond à votre besoin.

Quelle mesure d’accord, et quand ?

Notes continues / numériques → ICC (cette leçon).
Deux évaluateurs, catégories nominales → kappa de Cohen.
Deux évaluateurs, catégories ordinales → kappa pondéré.
Trois évaluateurs ou plus, catégoriel → kappa de Fleiss.

Conclusion

Vous savez maintenant calculer le coefficient de corrélation intraclasse en R : décidez du modèle (à un/deux facteurs), du type (cohérence/accord) et de l’unité (unique/moyenne), calculez une forme avec irr::icc() ou les six avec psych::ICC(), et interprétez la valeur — et son intervalle de confiance — sur l’échelle de Koo & Li. L’ICC est la bonne mesure de fiabilité dès lors que les évaluateurs notent sur une échelle continue, et choisir la forme adaptée à votre plan est tout l’enjeu.

Leçons connexes

Kappa de Cohen en R · Kappa pondéré en R · Kappa de Fleiss en R — les mesures d’accord pour les notes catégorielles. · Test de corrélation en R — la corrélation de Pearson, qui (contrairement à l’ICC) ignore les décalages systématiques.
Pour aller plus loin : Fiabilité inter-évaluateurs · Biostatistique

Vous préférez un livre ? Inter-Rater Reliability Essentials est disponible en PDF téléchargeable — toutes les leçons de cette série, hors ligne et à vous.

Obtenir le livre (PDF) →Les leçons restent gratuites en ligne.

Cette page vous a-t-elle été utile ?

Prouvez que vous savez le faire. Maîtrisez toute la série Fidélité inter-juges en R — suivez votre parcours, construisez des projets et obtenez un certificat.

Commencer gratuitement →

Passez à Pro — Prova illimité sur vos propres données et un certificat vérifiable qui atteste la compétence.

dès 15 $/mois facturé annuellement

Passer à Pro →

✓ Vous êtes Pro — continuez. The runtime is the judge.

Prêt à passer à la vitesse supérieure ?

Essayez sur vos propres données avec Prova — the runtime is the judge.Ouvrir Prova →

Note

Chaque résultat de cette page a été produit par le code montré, exécuté au moment du build contre un environnement R figé — modifiez n’importe quel bloc et faites Run pour le reproduire vous-même.

Réutilisation

CC BY-NC-SA 4.0

Citation

BibTeX

@online{2026,
  author = {},
  title = {Coefficient de corrélation intraclasse (ICC) en R : accord
    pour notes continues},
  date = {2026-06-23},
  url = {https://www.datanovia.com/learn/biostatistics/inter-rater-reliability/icc-in-r},
  langid = {fr}
}

Veuillez citer ce travail comme suit :

“Coefficient de corrélation intraclasse (ICC) en R : accord pour notes continues.” 2026. June 23. https://www.datanovia.com/learn/biostatistics/inter-rater-reliability/icc-in-r.