Калькулятор стандартной ошибки - SE по сырым данным или сводке

Стандартная ошибка среднего (SE или SEM) — это стандартное отклонение выборочного распределения среднего. Проще говоря, она показывает, насколько далеко выборочное среднее, вероятно, будет от истинного среднего генеральной совокупности, если повторять выборку много раз. Малое SE означает, что выборочное среднее — точная оценка генерального среднего; большое SE означает большую неопределённость. Формула SE = s / √n, где s — стандартное отклонение вашей выборки, а n — число наблюдений. В режиме сырых данных калькулятор сначала вычисляет выборочное стандартное отклонение (с поправкой Бесселя, с n−1 в знаменателе), а затем делит его на √n. В режиме сводной статистики вы напрямую задаёте среднее, стандартное отклонение и n, что удобно, когда у вас есть только агрегированные данные — например, из опубликованной статьи — и нет доступа к сырым наблюдениям. Калькулятор также рассчитывает доверительный интервал для среднего на выбранном уровне (90%, 95% или 99%). Интервал строится как x̄ ± z × SE, где z — критическое значение стандартного нормального распределения (1.645 для 90%, 1.96 для 95%, 2.576 для 99%). Такие z-интервалы подходят для больших выборок (n ≥ 30) или когда известно, что генеральная совокупность нормально распределена. Для малых выборок из ненормальных распределений более точным будет t-интервал (с t при n−1 степенях свободы); на практике для n ≥ 30 разница между z и t очень мала. SE используется почти во всех областях количественных исследований. В медицине клинические статьи обычно публикуют средние значения вместе с SE или доверительными интервалами, чтобы читатели могли оценить, являются ли различия между группами лечения клинически значимыми. В производстве анализы процессов используют SE, чтобы определить, надёжно ли выборочное среднее находится в пределах спецификации. В социальных опросах погрешность опубликованного среднего напрямую зависит от SE. В финансовом риске SE применяют для оценки неопределённости вокруг средних доходностей и других статистик. В машинном обучении SE лежит в основе bootstrap-доверительных интервалов для сравнения метрик моделей. Важно понимать, когда сообщать SE, а когда стандартное отклонение (SD). SD описывает разброс отдельных измерений; он не уменьшается при увеличении объёма данных (если истинная вариабельность совокупности фиксирована). SE описывает точность оценки среднего и уменьшается с ростом данных, потому что SE = SD / √n. Когда нужно показать разброс между людьми — например, диапазон возрастов пациентов в исследовании — сообщайте SD. Когда нужно показать точность оценки среднего — например, надёжность среднего снижения давления — сообщайте SE или интервал доверия, полученный из него.