标准误差计算器 - 根据原始数据或汇总计算 SE

均值标准误差（SE 或 SEM）是样本均值抽样分布的标准差。通俗地说，它表示如果重复多次抽样，样本均值与真实总体均值可能相差多远。SE 越小，说明样本均值对总体均值的估计越精确；SE 越大，则表示不确定性越高。 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，计算器会先计算样本标准差（使用 n−1 作为分母的贝塞尔校正），然后再除以 √n。在汇总统计模式下，你直接提供均值、标准差和 n，这在已有发表文献中的汇总数据、但没有原始观测值时尤其有用。 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。区间按 x̄ ± z × SE 构造，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）或已知总体服从正态分布的情况。对于来自非正态总体的小样本，使用 t 分布（n−1 个自由度）的 t 区间会更精确；在实践中，当 n ≥ 30 时，z 和 t 的数值几乎相同。 SE 几乎用于定量研究的每个领域。在医学中，临床论文通常报告均值及其 SE 或置信区间，以便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，过程能力评估会用 SE 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取决于 SE。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 为用于比较模型性能指标的自助法置信区间提供基础。 理解何时报告 SE 而不是标准差（SD）很重要。SD 描述的是单个测量值的离散程度；即使收集更多数据，它也不会缩小（假设真实总体变异固定）。SE 描述的是均值估计的精度，并且会随着数据增加而变小，因为 SE = SD / √n。当你的目标是传达个体之间的变异性——例如研究中患者年龄的范围——应报告 SD。当你的目标是传达均值估计的精度——例如平均降压效果的可靠性——应报告 SE 或其导出的置信区间。