这个函数可以计算McGraw定义的6种不同icc中的任何一种，以及它们的置信区间。此外，使用原假设ICC = r0进行假设检验。
语法:
[r, LB, UB, F, df1, df2, p] = ICC(M, type, alpha, r0)
M是观察矩阵。每一行是一个测量对象，每一列是一个判断或测量对象。
'type'是一个字符串，可以是ICC所需类型的六种可能代码之一:
'1-1':在随机选择的物体上进行测量的绝对一致性程度。它估计任意两个测量值的相关性。
“1-k”:随机选择的物体上k个独立测量值的平均值。
'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维纳的调整锚固点。案例3:列因子固定水平下测量结果的一致性程度。这个ICC估计任何两个测量的相关性，但当存在交互时，它低估了可靠性。
“C-k”:情况2:在随机选择的对象上的k个独立测量值的平均值的一致性程度。在心理测量学中被称为克朗巴赫阿尔法。案例3:固定列因子水平下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。也被称为标准参照可靠性。案例3:在列因子的固定水平下测量结果的绝对一致性。
“A-k”:情况2:在随机选择的对象上的k个独立测量值的平均值的绝对一致性程度。案例3:在列因子的固定水平下，基于k个独立测量值的测量值的绝对一致性程度。

ICC是估计的类内相关性。LB和UB为ICC的上下限，具有alpha显著性。

除了ICC的估计，还使用ICC = r0的原假设进行假设检验。给出了该试验的F值、自由度和相应的p值。

(ICC类的代码名称与参考文献中的表7对应)。

参考文献:McGraw, K. O.， Wong, S. P.，“关于类内相关系数的推理”，《心理学方法》，第1卷，第1期，第30-46页，1996