一致性檢驗的目的在於比較不同方法得到的結果是否具有一致性。檢驗一致性的方法有很多比如：Kappa檢驗、ICC組內相關係數、Kendall W協調係數等。每種方法的功能側重，數據要求都略有不同：
SPSSAU整理Kappa係數檢驗，適用於兩次數據之間比較一致性，如比較兩位醫生的診斷是否一致，兩位裁判的評分標準是否一致等。
ICC組內相關係數檢驗，用於分析多次數據的一致性情況，功能上與Kappa係數基本一致。ICC分析定量或定類數據均可；但是Kappa一致性係數通常要求數據是定類數據。
Kendall W協調係數，是分析多個數據之間關聯性的方法，適用於定量數據，尤其是定序等級數據。
進一步說明
SPSSAU整理（1）Kappa檢驗
Kappa檢驗分為簡單Kappa檢驗和加權Kappa檢驗，兩者的區別主要在於：
如果研究數據是絕對的定類數據（比如陰性、陽性），此時使用簡單Kappa係數；如果數據為等級式定類數據（比如輕度，中度，重度；也或者不同意，中立，同意）；此時可使用加權（線性）Kappa係數。
案例舉例
兩個醫生分別對於50個病例進行MRI檢查（MRI檢查診斷共分三個等級，分別是輕度，中度和重度），對比兩名醫生檢查結果診斷的一致性水平。
1表示輕度，2表示中度，3表示重度
使用路徑：SPSSAU→醫學實驗→Kappa
Kappa係數結果表根據上表可知，兩位醫生對於MRI檢查診斷結論具有較強（Kappa值=0.644）的一致性。
（2）ICC組內相關係數
ICC組內相關係數可用於研究評價一致性，評價信度，測量複測信度（重測信度）等。相對於Kappa係數，ICC組內相關係數的適用範圍更廣，適用於定量或者定類數據，而且可針對雙樣本或者多樣本進行分析一致性。但ICC的分析相對較為複雜，通常需要從三個方面進行分析並且選擇最優的ICC模型；分別是模型選擇，計算類型和度量標準。
icc六類模型模型選擇上，需要考慮是否將當前結論延伸推廣到其它研究中，也或者考慮是否為研究數據的絕對相等程度。計算類型上，如果不需要考慮系統誤差則使用「一致性」，如果需要考慮系統誤差則使用「絕對一致性」。度量標準上，如果是原始數據則使用「單一度量」，如果是計算後的數據，則使用「平均度量」。
案例舉例
3個醫生對於10個智障病人進行智商評分；現在希望通過分析研究3個醫生的打分一致性水平情況，使用ICC組內相關係數進行研究。錄入後的ICC數據格式如下：
上傳數據
使用路徑：SPSSAU→醫學實驗→ICC
ICC組內相關係數結果本次使用的是原始數據非計算後數據，因而使用單一度量標準結果即ICC(C,1)，ICC組內相關係數=0.921，說明3位醫生的評價具有高度一致性，也說明此次3名醫生給出的打分有著非常高的可信性。
（3）Kendall協調係數
Kendall協調係數，也稱作Kendall和諧係數，或Kendall一致性係數。通常用於比較多組數據的一致性程度。
案例舉例
4個評委對於10個選手進行評分，最低為1分，最高為10分；現在希望通過分析研究4個評委的打分一致性情況。
上傳數據
使用路徑：SPSSAU→醫學實驗→Kendall從上表可以看出：協調係數為0.853（P<0.01），大於0.8，說明4個評委的評分結果具有很強的一致性。
其他說明
1、ICC的適用場景最多，包括定量或定類數據，同時可針對多相關樣本進行一致性分析；而Kappa一致性係數主要針對2個相關數據且針對定類數據進行一致性分析；Kendall W協調係數適用於定量數據，且更多傾重於數據關聯性研究。
2、分析前要注意數據的格式，每種方法錄入的數據格式都不大一樣，一定要整理成正確的數據格式再分析。