标准差与标准误区别.docVIP

std.error：标准误差 std.deviation：标准差 标准误：是样本统计量的标准差，如样本均数的标准差也称为均数的标准误，它反映了样本均数间的离散程度，也反映了样本均数与总体均数的差异，说明均数抽样误差的大小。在实际工作中,我们无法直接了解研究对象的总体情况,经常采用随机抽样的方法,取得所需要的指标,即样本指标。样本指标与总体指标之间存在的差别,称为抽样误差,其大小通常用均数的标准误来表示。 标准差：是方差的算术平方根，是描述数据分布的离散程度的指标。实际应用中，总体标准差一般未知，常用样本标准差来估计。用来反映变异程度,当两组观察值在单位相同、均数相近的情况下,标准差越大,说明观察值间的变异程度越大。即观察值围绕均数的分布较离散,均数的代表性较差。反之,标准差越小,表明观察值间的变异较小。标准差与标准误有何区别和联系?标准差和标准误都是变异指标，但它们之间有区别，也有联系。区别: 概念不同；标准差是描述观察值(个体值)之间的变异程度；标准误是描述样本均数的抽样误差；用途不同；标准差与均数结合估计参考值范围，计算变异系数，计算标准误等。标准误用于估计参数的可信区间，进行假设检验等。它们与样本含量的关系不同: 当样本含量 n 足够大时，标准差趋向稳定；而标准误随n的增大而减小，甚至趋于0 。联系: 标准差，标准误均为变异指标，当样本含量不变时，标准误与标准差成正比。 标准误其实就是标准差的一种，不过二者的含义有所区别： 标准差计算的是一组数据偏离其均值的波动幅度，不管这组数是总体数据还是样本数据。你看standard deviation，说的就是“偏离”，只是在翻译为中文时，失去了其英文涵义。 而标准误，衡量的是我们在用样本统计量去推断相应的总体参数（常见如均值、方差等）的时候，一种估计的精度。样本统计量本身就是随机变量，每一次抽样，都可以根据抽出的样本情况计算出一个不同的样本统计量值。理论上来讲，从既定的总体中按照既定的样本规模n，穷尽所有可能抽出的样本（不妨假设为NN），根据这些样本可以计算出NN个样本统计量值，把这些统计量值分组绘成直方图（X轴为分组的统计量数值，Y轴为落在某一分组区间内的频率），则这个直方图就反应了样本统计量的分布情况（即抽样分布）。既然是分布，当然就有均值和方差。如果所有可能的样本统计量值的平均值就是总体均值，这就是无偏估计。如果所有可能的样本统计量值的方差在所有用于估计总体参数的统计量里最小，这就是有效估计。因此，抽样分布的标准差（也就是标准误）越小，则用样本统计量去估计总体参数时，精度就越高。所以，你明白为什么叫标准误（standard error）了。一般意义上讲，standard error反映的是用样本统计量去估计总体参数的时候，可能发生的平均“差错”。 不妨这么理解吧，如果总体平均值是160，抽样误差是5，就是说用抽得的样本平均数去推断总体平均数时，平均差错可能在5左右；如果抽样误差是3，精度当然就比5要高啦。不同的总体、不同的样本规模，这个精度当然是不同的。如果总体的变异本身很小（也就是总体标准差小），样本规模越大，这种情况下精度当然就高啦。另外，根据大数定律，当样本规模大到一定程度的时候，不管总体是什么分布，样本平均数都会近似服从正态分布，这就为计算抽样误差（标准误）提供了理论依据。 最后总结：标准差还是标准误，注意看其英文原意，就可以把握个八九不离十了。本质上二者是同一个东西（都是标准差），但前者反映的是一种偏离程度，后者反映的是一种“差错”，即用样本统计量去估计总体参数的时候，对其“差错”大小（也即估计精度）的衡量。 在日常的统计分析中，标准差和标准误是一对十分重要的统计量，两者有区别也有联系。但是很多人却没有弄清其中的差异，经常性地进行一些错误的使用。对于标准差与标准误的区别，很多书上这样表达：标准差表示数据的离散程度，标准误表示抽样误差的大小。这样的解释可能对于许多人来说等于没有解释。 其实这两者的区别可以采用数据分布表达方式描述如下：如果样本服从均值为μ，标准差为δ的正态分布，即X～N(μ, δ2),那么样本均值服从均值为0，标准差为δ2/n的正态分布，即?～ N(μ,δ2/n)。这里δ为标准差，δ/n1/2为标准误。明白了吧，用统计学的方法解释起来就是这么简单。 可是，实际使用中总体参数往往未知，多数情况下用样本统计量来表示。那么，关于这两者的区别可以这样表述：标准差是样本数据方差的平方根，它衡量的是样本数据的离散程度；标准误是样本均值的标准差，衡量的是样本均值的离散程度。而在实际的抽样中，习惯用样本均值来推断总体均值，那么样本均值的离散程度（标准误）越大，抽样误差就越大。所以用标准误来衡量抽样误差的大小。 在此举一个例子。比如，某学校共有5