标准误差——公式、含义及与标准差的区别

标准误差告诉你，一个基于样本的估计量从一个随机样本换到另一个随机样本时，通常会变化多少。在本页中，这个估计量指的是样本均值。它衡量的是均值的典型抽样波动，而不是原始数据本身的离散程度。

对于样本均值，如果总体标准差 $\sigma$ 已知，则标准误差为

$$SE(\bar{x}) = \frac{\sigma}{\sqrt{n}}$$

在实际中，$\sigma$ 往往未知，因此通常用样本标准差 $s$ 来估计：

$$SE(\bar{x}) \approx \frac{s}{\sqrt{n}}$$

这个公式适用于均值在常见设定下的情况：观测值被视为相互独立的随机样本，而你关心的是样本均值这个估计的精确程度。标准误差越小，说明估计越精确。

标准误差实际衡量的是什么

标准误差针对的是估计量，而不是单个观测值。如果你不断从同一个总体中抽取相同样本量的新样本，样本均值会来回波动。标准误差描述的就是这种波动的典型大小。

这也是为什么当 $n$ 变大时，标准误差会变小。只要数据收集过程保持可比，对更多观测值取平均，通常会让样本均值在不同样本之间更稳定。

标准误差 vs 标准差

这是最容易让人混淆的区别。标准差描述的是同一组数据内部，各个数据值有多分散。标准误差描述的是某个统计量（例如样本均值）在许多重复抽样中会有多分散。

对于均值，当你用样本进行估计时，两者的关系是

$$SE(\bar{x}) \approx \frac{s}{\sqrt{n}}$$

所以，标准误差会用到标准差，但它们回答的问题并不相同。

可以用这个简化记法：

1. 标准差问的是：“数据值有多分散？”
2. 标准误差问的是：“我的样本均值作为估计有多精确？”

一个标准误差的完整例子

假设一个包含 $n = 25$ 名学生的样本，平均考试分数为 $78$，样本标准差为 $10$。

则均值的估计标准误差为

$$SE(\bar{x}) \approx \frac{s}{\sqrt{n}} = \frac{10}{\sqrt{25}} = \frac{10}{5} = 2$$

关键在于如何解释。数值 $2$ 并不表示大多数学生的分数都在 $78$ 分上下 $2$ 分之内。那样就把标准误差和标准差混淆了。

它真正表示的是：如果你反复从同一总体中抽取类似的、容量为 $25$ 的随机样本，那么样本均值通常会在不同样本之间相差大约 $2$ 分。

为什么公式里用的是 $\sqrt{n}$

分母中的 $\sqrt{n}$ 解释了为什么更大的样本会带来更精确的均值估计。如果样本量增大，分母就会增大，因此标准误差会变小。

但这种变化不是线性的。要把标准误差减半，通常需要把样本量增加到原来的大约四倍，因为

$$\frac{1}{\sqrt{4n}} = \frac{1}{2\sqrt{n}}$$

标准误差的常见错误

1. 把标准误差和标准差当成可以互换的概念。
2. 认为标准误差小就说明原始数据本身分散得不厉害。除非你也知道标准差很小，否则不能得出这个结论。
3. 忘记这里的公式 $SE(\bar{x}) \approx s/\sqrt{n}$ 是专门针对样本均值的。
4. 以为样本更大就一定能消除偏差。更大的 $n$ 会减少随机抽样波动，但并不会自动纠正有偏样本。

标准误差在什么时候使用

当你想判断一个估计有多精确时，标准误差就很重要。它会出现在置信区间、假设检验、回归输出和调查结果中。

在每一种情况下，核心思想都一样：标准误差帮助你把单个样本与由该样本得到的估计所包含的不确定性联系起来。

试做一道类似题

你可以自己试一题：取 $s = 12$、$n = 36$。先计算均值的标准误差，再把结果与 $n = 144$ 的情况比较。这是快速看出样本量如何影响精确度的方法。如果你想继续深入，可以接着学习置信区间，看看标准误差如何影响区间宽度。