这个函数可以计算McGraw定义的6个不同的icc中的任何一个，以及它们的置信区间。此外，在ICC = r0的原假设下进行假设检验。
语法:
[r, LB, UB, F, df1, df2, p] = ICC(M, type, alpha, r0)
M是观测值的矩阵。每一行是一个测量对象，每一列是一个判断或测量。
'type'是一个字符串，可以是所需ICC类型的六个可能代码之一:
“1-1”:对随机选择的物体进行测量的绝对一致程度。它估计任意两个测量值的相关性。
“1-k”:测量的绝对一致程度，是随机选择对象上k个独立测量的平均值。
'C-1':情况2:测量之间的一致性程度。也被称为标准参考可靠性和Winer的调整锚点。案例3:在列因子的固定水平下进行的测量之间的一致性程度。这个ICC估计任何两个测量的相关性，但当相互作用存在时，它低估了可靠性。
'C-k':情况2:测量的一致性程度，是随机选择的onbjectgs上k个独立测量的平均值。在心理测量学中被称为Cronbach的alpha。案例3:在列因子的固定水平下，k个独立测度的平均值的一致性程度。
“A-1”:情况2:测量之间的绝对一致程度。也称为标准参考可靠性。案例3:在列因子的固定水平下所做测量的绝对一致。
'A-k':情况2:测量的绝对一致程度，这些测量是随机选择的对象上k个独立测量的平均值。案例3:在列因子的固定水平下，基于k个独立测量的测量的绝对一致度。

ICC是估计的类内相关性。LB和UB是ICC的上界和下界，具有alpha水平显著性。

除了对ICC进行估计外，在ICC = r0的原假设下进行假设检验。文中给出了试验的F值、自由度和相应的p值。

(ICC类的代码名称与参考中的表7相对应)。

参考文献:McGraw, K. O.， Wong s.p .，“关于某些内部相关系数的形成推论”，《心理学方法》，第1卷，第1期，第30-46页，1996年