The Intra‐Cluster Correlation Coefficient in Cluster Randomized Trials: A Review of Definitions

Sandra M. Eldridge, Obioha C. Ukoumunne and John B. Carlin

International Statistical Review, 2009, vol. 77, issue 3, 378-394

Abstract: The intra‐cluster correlation coefficient (ICC) of the primary outcome plays a key role in the design and analysis of cluster randomized trials (CRTs), but the precise definition of this parameter is somewhat elusive, especially in the context of non‐normally distributed outcomes. In this paper, we provide a unified treatment of ICC as used in CRTs. We present a general definition of the ICC that may be expressed in different ways depending on the modelling approach used to describe the data, illustrating how this general definition is applied to continuous and dichotomous outcomes. Greater complexity arises for dichotomous outcomes; in particular, the usual definition of the ICC cannot be related directly to the parameters of the logistic‐normal model that is commonly used for dichotomous outcomes. We show how the definition of the ICC is different when covariates are introduced. Finally, we use our framework and definition of the ICC to draw out implications for those interpreting and choosing values of the ICC when planning CRTs. Le coefficient de corrélation intraclasse (CCI) associé au critère de jugement principal joue un rôle majeur lors de la planification et de l'analyse des essais randomisés en clusters, mais la définition précise de ce paramètre reste malgré tout évasive, notamment lorsque les données ne sont pas normalement distribuées. Dans cet article, nous proposons de gérer les CCI utilisés dans le cadre des essais en cluster d'une façon uniforme. Nous présentons une définition générale du CCI qui peut s'exprimer différemment selon le modèle statistique utilisé, notamment lorsqu'il s'agit d'un modèle à corrélation commune ou d'un modèle hiérarchique. Nous montrons comment cette définition générale s'applique aussi bien à des données continues qu'à des données binaires. Le niveau de complexité est plus important lorsqu'il s'agit de données binaires; en particulier, le CCI usuel ne peut être liée directement aux paramètres du modèle de régression logistique classiquement utilisé pour les données binaires. Nous montrons que le CCI se définit différemment lorsque des covariables sont prises en compte. Enfin, nous utilisons la définition générale du CCI que nous proposons pour en tirer des conséquences lorsqu'il s'agit d'interpréter un CCI ou d'en fixer une valeur lors de la planification d'un essai randomisé en cluster.

Date: 2009
References: View references in EconPapers View complete reference list from CitEc
Citations: View citations in EconPapers (6)

Downloads: (external link)
https://doi.org/10.1111/j.1751-5823.2009.00092.x

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:bla:istatr:v:77:y:2009:i:3:p:378-394

Ordering information: This journal article can be ordered from
http://www.blackwell ... bs.asp?ref=0306-7734

Access Statistics for this article

International Statistical Review is currently edited by Eugene Seneta and Kees Zeelenberg

More articles in International Statistical Review from International Statistical Institute Contact information at EDIRC.
Bibliographic data for series maintained by Wiley Content Delivery ().