标准误差计算器 - 基于原始数据或汇总计算 SE

均值的标准误差（SE 或 SEM）是样本均值抽样分布的标准差。通俗地说，它表示如果你反复抽样，样本均值距离真实总体均值大概会有多远。SE 越小，说明样本均值对总体均值的估计越精确；SE 越大，说明这种估计的不确定性越高。 公式为 SE = s / √n，其中 s 是样本标准差，n 是观测值数量。在原始数据模式下，计算器会先按贝塞尔校正（分母使用 n−1）计算样本标准差，再除以 √n。在汇总统计模式下，你直接提供均值、标准差和 n，这在你已经拿到汇总数据——例如论文中的统计结果——但无法获取原始观测值时非常有用。 本计算器还会根据你选择的置信水平（90%、95% 或 99%）计算均值的置信区间。区间公式为 x̄ ± z × SE，其中 z 是标准正态分布的临界值（90% 为 1.645，95% 为 1.96，99% 为 2.576）。这种基于 z 的区间适用于大样本（n ≥ 30）或已知总体近似正态分布的情况。对于来自非正态总体的小样本，使用基于 t 分布（自由度为 n−1）的区间会更精确；作为实用经验，当 n ≥ 30 时，z 和 t 的差异通常很小。 SE 几乎贯穿定量研究的各个领域。在医学中，临床论文常报告均值及其 SE 或置信区间，帮助读者判断治疗组之间的差异是否具有临床意义。在制造业中，过程能力评估会使用 SE 来判断样本均值是否可靠地落在规格范围内。在社会科学调查中，报告均值的误差范围直接由 SE 决定。在金融风险分析中，SE 用于估计平均收益及其他统计量的不确定性。在机器学习中，SE 是 bootstrap 置信区间的基础，用来比较模型性能指标。 理解何时报告 SE、何时报告标准差（SD）也很重要。SD 描述的是单个测量值的离散程度；在总体真实波动固定的前提下，收集更多数据并不会让 SD 变小。SE 描述的是均值估计的精确度，它会随着数据增加而减小，因为 SE = SD / √n。当你的目标是传达个体差异——例如研究中患者年龄的分布——应报告 SD。当地要传达均值估计的精确程度——例如平均降压效果的可靠性——应报告 SE 或由其导出的置信区间。