標準誤計算機 - 由原始資料或彙總計算 SE

平均數的標準誤（SE 或 SEM）是樣本平均數抽樣分布的標準差。簡單來說，它告訴你如果重複抽樣，樣本平均數大約會離真實母體平均數多遠。SE 越小，表示樣本平均數對母體平均數的估計越精確；SE 越大，表示不確定性越高。 公式為 SE = s / √n，其中 s 是樣本標準差，n 是觀測值數量。在原始資料模式下，計算機會先依貝塞爾修正（分母使用 n−1）計算樣本標準差，再除以 √n。在彙總統計模式下，你直接提供平均數、標準差與 n，這在你已經拿到彙總資料——例如論文中的統計結果——但無法取得原始觀測值時特別有用。 本計算機也會依你選擇的信賴水準（90%、95% 或 99%）計算平均數的信賴區間。區間公式為 x̄ ± z × SE，其中 z 是常態分布的臨界值（90% 為 1.645，95% 為 1.96，99% 為 2.576）。這類基於 z 的區間適合大樣本（n ≥ 30）或已知母體近似常態分布的情況。對於來自非常態母體的小樣本，使用 t 分布（自由度為 n−1）的區間會更精確；實務上，只要 n ≥ 30，z 與 t 的差異通常很小。 SE 幾乎存在於定量研究的每個領域。在醫學上，臨床論文常報告平均數及其 SE 或信賴區間，讓讀者判斷治療組之間的差異是否具臨床意義。在製造業中，製程能力評估會使用 SE 來判斷樣本平均數是否可靠地落在規格界限內。在社會科學調查中，報告平均數的誤差範圍直接由 SE 決定。在金融風險分析中，SE 用於估計平均報酬及其他統計量的不確定性。在機器學習中，SE 是 bootstrap 信賴區間的基礎，用來比較模型效能指標。 理解何時報告 SE、何時報告標準差（SD）也很重要。SD 描述的是個別測量值的分散程度；在母體真實變異固定的前提下，收集更多資料並不會讓 SD 變小。SE 描述的是平均數估計的精確度，它會隨著資料增加而下降，因為 SE = SD / √n。當你的目標是傳達個體差異——例如研究中病患年齡的範圍——應報告 SD。當你的目標是傳達平均數估計的精確程度——例如平均降血壓效果的可靠性——應報告 SE 或其導出的信賴區間。