標準差 SD 與標準誤 SE 差在哪？公式、用途與 Error Bar 完整比較

看到研究表格 M = 75.4, SD = 10.2 和 M = 75.4, SE = 1.4，很多人會覺得 SD 和 SE 都是在表示「誤差」。

其實兩者完全不同。

速答：SD 和 SE 差在哪？
標準差（SD）描述一組觀察值本身有多分散；標準誤（SE）描述樣本統計量作為母體參數估計時有多不精確。以平均數為例，常見公式為 SE = SD / √n。樣本數增加時，SD 不一定變小，但平均數的 SE 通常會變小。

一、先用班級成績理解 SD

某班 5 位學生的成績：

60, 70, 75, 80, 90

平均大約是 75。

但這些分數不是全部等於 75，而是散在平均周圍。

SD 就是在描述：個別分數距離平均值的典型分散程度。

SD 大，代表資料比較分散；SD 小，代表資料比較集中。

FunnyTools 已有標準差計算器，可以直接輸入一組資料計算平均數、變異數與樣本／母體標準差。

二、SE 不是在描述學生彼此差多少

假設你不是只想描述這個班，而是想用這個樣本估計某個更大的母體平均數。

你會關心：

如果重新抽很多次相同大小的樣本，每次算一個平均數，這些樣本平均數會有多大的抽樣波動？

這就是平均數標準誤的核心概念。

常見估計公式：

SE = s / √n

其中：

s：樣本標準差；
n：樣本數。

三、為什麼 n 越大，SE 通常越小？

假設 SD 都是 10。

樣本 A

n = 25

SE = 10 / √25 = 2

樣本 B

n = 100

SE = 10 / √100 = 1

雖然兩個樣本的個體分散程度都大約是 10，但樣本 B 有更多觀察值，所以平均數估計通常更精確。

這就是為什麼：SD 主要描述個體資料分散；SE 會明顯受到樣本數影響。

四、最容易記的比較表

問題	SD	SE
中文	標準差	標準誤
英文	Standard Deviation	Standard Error
核心用途	描述觀察值分散	描述估計精確度
是否描述個體差異	是	不是主要用途
是否受樣本數 n 明顯影響	不一定	是
n 增加時	不保證下降	通常下降
常見公式	√variance	SD/√n（平均數 SE）
常見報告	M ± SD	estimate ± SE
常用於 95% CI	間接	是

五、同一組資料可以同時有 SD 和 SE

假設：

N = 100
M = 75
SD = 10

那麼：

SE = 10 / √100 = 1

這表示：

SD = 10：個體分數在平均數周圍有明顯分散。
SE = 1：用這 100 人估計母體平均數時，樣本平均數的抽樣不確定程度相對較小。

它們不是誰比較「準」，只是回答不同問題。

六、為什麼不能用 SE 讓資料看起來比較集中？

同一筆資料常常 SE < SD，尤其樣本數大時差距更明顯。

例如：

SD = 12
n = 144
SE = 1

如果圖表用 Mean ± SE，error bar 看起來會比 Mean ± SD 短很多。

這並不表示資料本身很集中。

所以圖表一定要清楚標示 error bar 是：

SD
SE
95% CI

否則讀者可能誤判。

七、Error Bar 到底應該用 SD、SE 還是 95% CI？

沒有單一答案，要看你想傳達什麼。

用 SD

如果你想顯示資料本身有多分散，適合描述個體差異。

用 SE

如果你想顯示平均數估計的標準誤有多大。

用 95% CI

如果你想讓讀者更直接看到母體參數的合理估計範圍與精確度。

延伸閱讀：95% 信賴區間完整指南

八、95% CI 和 SE 有什麼關係？

在大樣本與適當條件下，平均數的 95% CI 常可近似想成：

M ± 1.96 × SE

小樣本或母體標準差未知時，通常使用 t 分配臨界值：

M ± t* × SE

所以 SE 是建立許多信賴區間的重要材料。

九、SD 的樣本公式為什麼用 n - 1？

樣本標準差常見公式的變異數部分會除以 n - 1，而不是 n。

這和用樣本估計母體變異數時的偏誤校正有關。

如果資料是完整母體，可以使用母體標準差；如果只是從較大母體抽出的樣本，通常看樣本標準差。

FunnyTools 的標準差計算器會同時列出母體與樣本版本。

十、SD = 0 代表什麼？

如果資料是：

10, 10, 10, 10, 10

所有數值完全一樣，平均 = 10，SD = 0。

表示沒有任何分散。

真實研究若出現 SD = 0，還要確認是否合理，例如是否因資料輸入錯誤、量尺天花板或所有人真的得到同一分數。

十一、SD 大是不是代表資料不好？

不是。

SD 大只代表資料比較分散。

例如全國學生身高本來就會有個體差異；但若是精密儀器重複測量同一固定標準，SD 很大才可能暗示量測不穩定。

SD 大小要配合測量尺度和研究情境。

十二、SE 小是不是研究一定很好？

也不是。

SE 可以因樣本數很大而變小，但研究仍可能有：

抽樣偏誤；
測量偏誤；
遺漏變項；
錯誤模型；
非獨立樣本；
研究設計問題。

更多資料可以減少隨機抽樣不確定性，卻不會自動修復系統性偏誤。

十三、實際例子：兩個班的 SD 一樣，SE 不一樣

A 班：

n = 25
M = 70
SD = 10
SE = 2

B 班：

n = 100
M = 70
SD = 10
SE = 1

兩班的學生分數分散程度差不多，但 B 班因樣本較大，所以平均數估計更精確。

最簡單的口訣：

SD 看人和人差多少，SE 看平均數估得多精確。

十四、研究報告應該寫 SD 還是 SE？

如果是描述研究樣本，常見寫法是：

M = 75.40, SD = 10.20

因為你是在描述觀察值分布。

如果表格目的在呈現模型估計精確度，可能報：

Estimate = 3.20, SE = 0.84

最重要的是表頭清楚標示。

不要只寫 75.40 ± 1.20，卻完全不說 1.20 是 SD、SE 還是 CI。

十五、t 檢定裡的 SE 是什麼？

以兩組平均數差異為例：

t = 平均差 ÷ 平均差的標準誤

所以 t 值會同時受到：

平均差大小；
組內變異；
樣本數

影響。

平均差相同時，SE 越小，|t| 往往越大。這也解釋了為什麼樣本數非常大時，小差異也可能得到很小的 p 值。

十六、常見錯誤

錯誤 1

SD 就是測量誤差。

不一定。SD 描述資料分散，來源可能包含真實個體差異與各種誤差。

錯誤 2

SE 是每個人的誤差。

不是。平均數 SE 是樣本平均數估計精確度的指標。

錯誤 3

SE 比 SD 小，所以研究資料很一致。

錯。SE 小可能只是因樣本數大。

錯誤 4

圖上畫很短的 error bar，卻不說是 SE。

讀者無法正確解讀。

錯誤 5

用 SD 直接代替 95% CI。

SD 與 CI 代表不同概念。

十七、常見問題 FAQ

SD 越小越好嗎？

沒有絕對答案。若你測量的是個體差異，較大的 SD 可能完全合理；若是精密重複測量，過大的 SD 才可能是警訊。

SE 可以比 SD 大嗎？

在平均數 SE = SD/√n 的常見情況，n ≥ 1，因此通常 SE 不會大於 SD。

n 增加一倍，SE 會減半嗎？

不會。SE 與 √n 成反比。要讓 SE 大約減半，在 SD 不變時通常要把樣本數增加到約 4 倍。

報告平均數要放 SD 還是 SE？

描述樣本分布通常用 SD；呈現估計精確度時可用 SE 或 CI，但必須標示清楚。

Error bar 重疊就代表沒有顯著差異嗎？

不能直接這樣判斷。是否顯著取決於 error bar 類型、研究設計與正式統計檢定。

十八、快速判斷口訣

看到「學生分數彼此差多少？」想 SD。

看到「樣本平均數估母體平均數有多精確？」想 SE。

看到「合理參數範圍在哪？」想 Confidence Interval。

十九、延伸閱讀

下一步

手上已經有一組成績或研究數據？

把數字貼進 FunnyTools 標準差計算器，可以直接查看 N、平均、中位數、變異數、母體標準差與樣本標準差，再用本頁判斷你需要的是 SD 還是 SE。

重點速記

重點：SD vs SE 一張圖分清楚

左側：SD = 資料有多分散
右側：SE = 平均數估計有多精確
下方公式：SE = SD / √n

參考資料

NIST/SEMATECH e-Handbook of Statistical Methods.
FunnyTools 標準差計算器與教育統計工具中心。

本頁為統計教學與研究方法參考；正式分析仍應依研究設計、資料分布與使用軟體確認。