ThesisKendall 协调系数 W 计算器（专家意见一致性）
粘贴各位专家对同一批条目的打分或排序，几秒钟算出 Kendall’s W、卡方与 p 值——Delphi 专家咨询法构建指标体系的论文，「专家意见协调系数是多少、显不显著」是评阅人必问的一项。纯浏览器本地计算、数据不上传，免注册、完全免费。
免注册 · 公测期免费 · 数据留在你的浏览器本地
为什么协调系数值得自己先算一遍
用德尔菲法构建评价指标体系（护理、医学、教育、管理类论文的高频方法）时，每轮专家咨询都要报告 Kendall’s W 及其显著性来证明专家意见趋于一致——交前自己算一遍，比被评阅人问「协调系数多少」才回去翻数据从容得多。
每位专家的打分先在专家内部转秩（同分取平均秩并做结校正），按 W = 12S/(m²(n³−n)−mΣT) 计算，显著性用 χ² = m(n−1)W、df = n−1 检验——与 SPSS 的「K 个相关样本 → Kendall’s W」及 R 的 KendallW 实现同口径。
各条目的平均秩次与重要性排序、W 的协调程度分档（弱/中等/强）、结校正是否触发全部列出，论文可直接给完整结果表。
计算在你的浏览器里完成，数据不发送到服务器，不调用 AI，随时可以换一轮咨询数据重算。
怎么用（3 步）
- 把「专家 × 条目」的打分（或排序）矩阵粘贴进输入框：一行 = 一位专家，一列 = 一个条目（Tab/逗号/空格分隔，从 Excel 复制即可；行首可带非数字的专家编号，如「专家1」——纯数字编号会被当作打分数据），打原始分（如重要性 1-5 分）或名次都可以；
- 点「计算 Kendall 协调系数」查看 W、卡方值、p 值、各条目平均秩次与排序；
- 把「写进论文」句式一键复制进论文，正式结论建议再用 SPSS 复核一遍。
常见问题
计算用的是什么方法？
每位专家的打分先在该专家内部转秩（同分取平均秩）。S 为各条目秩和与其均值的离差平方和，结校正项 Tⱼ = Σ(t³−t)（t 为该专家每组同分的个数），W = 12S/(m²(n³−n)−mΣTⱼ)，m 为专家数、n 为条目数。显著性检验用 χ² = m(n−1)W，df = n−1，p 由卡方分布精确计算——与 SPSS 的 Kendall’s W 检验同口径。
W 多大算协调？
W ∈ [0,1]，越接近 1 专家意见越一致。常用经验分档：W < 0.2 协调性弱，0.2≤0.4 较弱，0.4≤0.6 中等，0.6≤0.8 较强，≥0.8 强。Delphi 论文更关键的是 p < 0.05（意见协调性显著）且 W 随轮次上升；单轮 W 在 0.2-0.5 之间且显著在实际咨询中很常见。
填原始打分还是名次？
都可以。工具会把每位专家的一行数据在其内部转成秩次（同分自动取平均秩并做结校正），所以填 1-5 重要性打分、100 分制打分或直接填名次结果一致。注意秩次按数值从小到大排——只要每位专家方向一致（都是分越高越重要），W 与排序解释不受影响。
条目很少时 p 值还准吗？
χ² 近似在条目数 n > 7 时较可靠；n ≤ 7 时属于大样本近似、偏保守，严格做法是查 Kendall’s W 精确临界值表（Friedman/Kendall 小样本表）。本工具会在 n ≤ 7 时给出提示；Delphi 指标体系通常条目较多，一般不受影响。
和 Cohen’s kappa 有什么区别？
kappa 衡量两位评分者对「分类」结果的一致性；Kendall’s W 衡量多位（m ≥ 2）评分者对同一批条目「排序/打分」的协调程度。Delphi 专家咨询报 W，双人分类编码一致性报 kappa（可用本站 Cohen’s kappa 计算器）。
我的数据会被上传吗？
不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。
协调系数算好了，研究方法章一站写完
工作台覆盖选题→开题→大纲→分章写作→文献→自查→导出全流程：把专家咨询结果挂进对应章节让 AI 严格依据数据成文，不编造数字，全程免注册、免费。
免费打开工作台