所谓聚类数据(Clustered Data)是指将具有相似特征的数据归为一个聚合类或簇(Cluster)，每一聚合类中的元素尽可能具有相同的特性。
我们一般用类相关系数(intraclass correlation coefficient，ICC)衡量和评价观察者间信度（inter-observer reliability）和复测信度（test-retest reliability）的信度系数（reliability coefficient）。
ICC的计算公式如下，一般我们使用R语言中ICC包来进行计算，ICC等于个体的变异度除以总的变异度，故其值介于0～1之间。
0≤ICC≤1，ICC越接近1，说明测量结果的可重复性（Repeatability）越好，测量误差越小。
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。
$$ \rho= \frac{\sigma _{b}^{2}}{\sigma _{b}^{2}+ \sigma _{c}^{2}} $$
其中：$\sigma _{b}^{2}$表示聚类间方差，$\sigma _{c}^{2}$表示聚类内方差
ICC越大，集群内的可变性越低（相对于集群之间的可变性）。来自同一组的两个观察结果之间的相关性越大。
长数据更适合绘图
ef_music = read_csv("<https://uoepsy.github.io/data/ef_music.csv>")
ef_music
ef_sdmt = openxlsx::read.xlsx("<https://uoepsy.github.io/data/ef_sdmt.xlsx>") %>% tibble()
ef_sdmt
# 宽转长
ef_sdmt_long <-
ef_sdmt %>%
pivot_longer(-PID, names_to = "trial_n", values_to = "SDMT")
ef_sdmt_long
# 长转宽
ef_sdmt_short <- ef_sdmt_long %>%
pivot_wider(id_cols = PID, names_from = trial_n, values_from = SDMT)
ef_sdmt_short
数据链接
# 全链接
efdata <- full_join(ef_music, ef_sdmt_long)
# 左链接
left_join(ef_music, ef_sdmt_long)
# 右链接
right_join(ef_music, ef_sdmt_long)