标准误的常用计算公式为：标准误等于标准差除以样本量的平方根。最典型的是均值标准误，写作 SE = SD / √n；如果总体标准差已知，可写成 SE = σ / √n；如果用样本标准差估计，通常写成 SE = s / √n。样本量 n 越大，均值的抽样波动越集中，标准误通常越小；样本量较小时，标准误会相对较大，说明均值估计的抽样分布更分散。
计算逻辑
标准误衡量的是“样本统计量在重复抽样中的波动大小”。
以样本均值为例，我们不是关心每个个体数据离中心有多远，而是关心“样本均值”这个统计量会有多大波动。因此标准误的计算思路是：先看数据离散程度，再除以样本量带来的集中效应。
- 选择要估计的统计量，常见为均值。
- 计算该统计量对应的标准差。
- 计算样本量的平方根。
- 用标准差除以平方根，得到标准误。
- 将结果用于说明统计量的抽样稳定程度。
常见公式
| 场景 | 公式 | 说明 |
|---|---|---|
| 均值标准误，总体标准差已知 | SE = σ / √n | σ 表示总体标准差 |
| 均值标准误，总体标准差未知 | SE = s / √n | s 表示样本标准差 |
| 用样本数据估计均值标准误 | SE = SD / √n | 最常用写法 |
| 比例的标准误 | SE = √[p(1 - p) / n] | p 表示样本比例，n 表示样本量 |
| 回归系数的标准误 | SE(β̂) 由回归软件给出 | 通常基于残差方差和变量离散程度计算 |
均值标准误的步骤
- 写出原始数据：x₁, x₂, …, xₙ。
- 计算样本均值：
x̄ = (x₁ + x₂ + … + xₙ) / n
- 计算样本标准差：
s = √[Σ(xᵢ - x̄)² / (n - 1)]
- 计算样本量平方根：
√n
- 代入标准误公式：
SE = s / √n
结果理解
标准误数值越小，说明在同等抽样条件下，统计量的分布更集中。
标准误数值越大，说明统计量在重复抽样中的分布更分散。
在均值分析中，标准误是构建置信区间、比较组间差异的重要基础。
小示例
一组数据为 4、6、8。
- 样本均值：
x̄ = (4 + 6 + 8) / 3 = 6
- 样本标准差：
s = √[((4 - 6)² + (6 - 6)² + (8 - 6)²) / (3 - 1)]
s = √[(4 + 0 + 4) / 2]
s = √4 = 2
- 均值标准误：
SE = 2 / √3 ≈ 2 / 1.732 ≈ 1.155
结论：这组数据的均值标准误约为 1.155。
比例标准误的步骤
- 确定样本比例 p。
- 确定样本量 n。
- 计算 p(1 - p)。
- 除以 n。
- 开平方得到 SE。
公式：
SE = √[p(1 - p) / n]
【常见问题】
问题1：标准误的计算公式是什么？
回答1：标准误最常用的计算公式是 SE = SD / √n。用于均值时，标准误等于标准差除以样本量的平方根；如果总体标准差已知，可写成 SE = σ / √n；如果由样本估计，通常写成 SE = s / √n。
问题2：标准误和标准差有什么关系？
回答2：标准差描述单个数据的离散程度，标准误描述统计量在重复抽样中的波动程度。标准误由标准差继续除以样本量平方根得到，因此标准误的计算公式通常写为 SE = SD / √n，它把标准差和样本量连接起来。
问题3：样本量如何影响标准误？
回答3：样本量增加时，标准误通常变小，因为公式 SE = SD / √n 中分母 √n 变大。样本量减少时，标准误通常变大，说明统计量的抽样分布更分散。理解标准误时，样本量是最关键的影响因素之一。
免责声明
以上内容用于统计公式学习和方法说明。实际计算时，请结合数据口径、样本量、总体标准差或样本标准差的来源，以及具体统计模型进行选择。
