標準誤差計算機 - 由原始資料或彙總計算 SE

平均數的標準誤差（SE 或 SEM）是樣本平均數抽樣分配的標準差。白話來說，它告訴你，如果反覆進行抽樣，樣本平均數可能離真實母體平均數有多遠。SE 越小，代表樣本平均數作為母體平均數估計的精確度越高；SE 越大，則代表不確定性較高。 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，計算機會先計算樣本標準差（使用 n−1 作為分母的貝塞爾修正），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；當你已有論文中的彙總資料但沒有原始觀測值時，這種方式特別實用。 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。區間以 x̄ ± z × SE 建構，其中 z 是標準常態分配的臨界值（90% 為 1.645、95% 為 1.96、99% 為 2.576）。這類以 z 為基礎的區間適用於大樣本（n ≥ 30）或母體已知服從常態分配的情況。對於來自非常態母體的小樣本，使用 t 分配（n−1 自由度）的 t 區間會更精確；實務上，當 n ≥ 30 時，z 與 t 的數值幾乎相同。 SE 幾乎用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有臨床意義。在製造業中，製程能力評估會用 SE 來判斷樣本平均數是否可靠地落在規格範圍內。在社會科學調查中，所報告平均數的誤差範圍直接取決於 SE。在金融風險分析中，SE 用來估計平均報酬及其他統計量的不確定性。在機器學習中，SE 是用於比較模型表現指標的自助法信賴區間基礎。 理解何時報告 SE 而不是標準差（SD）很重要。SD 描述的是個別測量值的分散程度；即使收集更多資料，它也不會縮小（假設真實母體變異固定）。SE 描述的是平均數估計的精確度，並且會隨資料增加而變小，因為 SE = SD / √n。當你的目標是傳達個體間的變異性——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度——例如平均降血壓效果的可靠性——應報告 SE 或其推導出的信賴區間。