در این الگو چنانچه میزان توافق بین نمره گذاران زیاد باشد، طبیعتا ضریب همبستگی بین داده های طبقه بندی شده دو نمره گذار بالا خواهد بود و چنانچه میزان توافق بین نمره گذاران کم باشد، ضریب همبستگی نیز پایین خواهد بود.

برای نمونه، جدول زیر فراوانی رفتارهای پرخاشگرانه در بین کودکانی که رابطه عاطفی خوبی با مادران خود ندارند و زمان زیادی را در مهد کودک می گذرانند، در ۵ مرحله ۲۰ دقیقه ای توسط دو مشاهده گر نشان می دهد.

بالطبع اگر توافق بین نمره گذاران زیاد باشد، باید ضریب همبستگی بالایی نیز بین یافته های دو مشاهده گر دیده شود.

داده های جدول ضریب همبستگی بالایی را نشان می دهد (۹۰=r) که نمایانگر توافق بسیار بالای دو نمره گذار است.

یکی از برتریهای ضریب همبستگی پیرسون بر کاپای کوهن این است که به راحتی می توان سطح معناداری آماری ضریب همبستگی را محاسبه کرد.

اما از طرف دیگر، به هنگام استفاده از ضریب همبستگی برای تعیین اعتبار بین نمره گذاران در برخی از موارد دو گروه نمره ممكن است ضریب همبستگی بسیار بالایی را نشان دهد در حالی که توافق بسیار کمی بین نمره گذاران وجود دارد.

این زمانی می تواند اتفاق بیفتد که مقدار» و «اندازه» نمرات ثبت شده توسط نمره گذاران به موازات هم، اما با ارزشهای مطلق کاملا متفاوت، کم یا زیاد شود؛ برای نمونه فرض کنید مشاهده گران به پرخاشگری کودکان در یک مقیاس ۱ تا ۱۰ این گونه نمره بدهند:

همان طور که دیده می شود، فواصل نمره ها مشابه هم است اما توافقی وجود ندارد.

ضریب همبستگی این دو گروه مشاهده با استفاده از روش پیرسون بسیار بالا خواهد بود (۱=r)، در حالی که دو مشاهده گر در هیچ موردی توافق نداشته اند.

برای حل این مشکل بایستی نمرات را قبل از محاسبه ضریب همبستگی با انجام آزمون تی کنترل کرد، چنانچه آزمون تی میانگین فراوانیهای دو گروه را به طور معنادار متفاوت از یکدیگر نشان نداد و ضریب همبستگی نیز بالا بود، آنگاه می توان با اطمینان نتیجه گرفت که مشاهده گران با یکدیگر توافق داشته اند و مقیاس مورد استفاده یا اندازه گیری انجام شده معتبر است.

در کار با داده های مقیاسهای اسمی امکان تجزیه و تحلیل بیشتر برای بررسی اعتبار هر طبقه خاص از مقياس مورد نظر نیز وجود دارد.

بدین صورت که می توان مشخص کرد که کدام طبقه از توافق خوبی برخوردار است و کدام طبقه نه؛ این کار با تقسیم مقیاس به

۱) طبقه مورد نظر و ۲) تمام طبقات دیگر انجام پذیر است.

در مثال بالا، تصور کنید پژوهشگران به میزان اعتبار طبقه اسکیزوفرنی علاقه مند هستند.

بنابراین پس از مشخص کردن طبقه مورد نظر بایستی جدولی کوچک تر ترتیب دهند که در آن دو طبقه غیر اسکیزوفرن را روی هم ریخته و کاپای کوهن را برای آن جدول محاسبه نمایند.