一致性分析

分析数据一致性时常用的方法如下：

方法	数据类型
ICC组内相关系数	定量或者定类
Kappda一致性系数	定类（分级）
Bland-Altman图（BA图）	定量数据

Bland-Altman

常用于生物医学研究论文中评价 两种连续变量测量方法的一致性。BA图直观反映两者的一致性。如图所示，横轴表示 两种测量方法的均值，纵轴表示两种测量方法的差值。图中蓝色线条表示两种测量方法的差值均值。两条红线分别表示$\pm 1.96SD$的范围。
若大部分样本点落在 $mean\pm 1.96std$,则说明两种方法的测量一致性较好。

Bland-Altman python 绘图

1. 准备数据，score1和score2分别代表两次测量的结果

    score1=np.asarray(score1)
    score2=np.asarray(score2)
    mean=np.mean([score1,score2],axis=0)
    diff=score1-score2
    md=np.mean(diff)
    sd=np.std(diff,axis=0)

通过matplotlib 绘制

	import matplotlib.pyplot as plt
    plt.figure(figsize=(10,10))
    plt.rc('axes', unicode_minus=False) # 处理 负号
    plt.scatter(mean, diff)
    plt.axhline(md,           color='black', linestyle='-')
    plt.axhline(md + 1.96*sd, color='gray', linestyle='--')
    plt.axhline(md - 1.96*sd, color='gray', linestyle='--')
    plt.show()