标准误全称为标准误差，英文缩写为 SE，是统计学中衡量抽样误差大小的重要指标，用于反映样本统计量与总体真实参数之间的偏差程度，数值越小，说明用样本估计总体的精度越高。日常提及的标准误若无特殊说明，均指样本均值的标准误。
一、核心定义与本质内涵
在统计研究中，通常无法直接观测总体的真实情况，只能通过抽取样本、计算样本统计量来推测总体参数。由于抽样过程存在随机波动，不同样本计算出的统计量会和总体真实值存在偏差，标准误就是用来量化这种抽样误差的指标。
从本质上讲，标准误是样本统计量的标准差。如果从同一总体中重复抽取大量样本量相同的样本，每个样本计算一次均值，这些样本均值会形成一个分布，该分布的标准差就是均值的标准误。它直接体现了样本均值的波动范围，波动越小，样本对总体的代表性就越强。
二、常用计算公式与影响因素
均值的标准误是实际应用中常用的类型，计算公式为：
SE = s / √n
其中 SE 代表均值的标准误，s 代表样本的标准差，n 代表样本量。
标准误的大小受两个核心因素影响：
样本标准差越大，数据本身的波动越强，抽样误差就越大，标准误随之升高；
样本量越大，样本越接近总体特征，抽样误差就越小，标准误随之降低。
在日常办公中，可通过 Excel 快速计算均值标准误，公式为：=STDEV (数据区域)/SQRT (COUNT (数据区域))。
三、标准误与标准差的核心区别
标准误和标准差是统计学中极易混淆的两个概念，二者核心差异体现在三个方面：
描述对象不同
标准差描述单个样本内部原始数据的离散程度，反映数据本身的波动大小；标准误描述样本统计量的离散程度，反映抽样操作带来的估计误差大小。
核心用途不同
标准差用于描述数据分布特征、计算个体值的参考范围，体现数据自身的变异程度；标准误用于估计总体参数的置信区间、开展假设检验，体现样本对总体的估计精度。
样本量影响不同
当样本量逐渐增大时，标准差会趋于稳定，趋近于总体本身的离散程度；而标准误会持续减小，样本量越大，抽样误差越低。
四、实际应用场景
总体参数置信区间估计
通过样本均值和标准误，可以计算总体均值的置信区间。常用的 95% 置信区间计算方式为：样本均值 ± 1.96× 标准误，用于推断总体真实参数的大概率取值范围。
假设检验统计推断
在 t 检验、方差分析、回归分析等常用统计方法中，标准误是计算检验统计量的核心参数，是判断组间差异、变量关联是否具有统计学意义的基础。
科研结果可视化
学术论文中的柱状图、折线图常搭配误差棒，若误差棒标注为 SE，即代表标准误，用于展示参数估计的精度，而非原始数据的离散范围。
五、常见认知误区
混淆标准误与标准差
二者统计意义完全不同，不能相互替代。描述数据本身的波动大小应使用标准差，描述样本估计总体的精度时才使用标准误。部分研究中刻意用标准误绘制误差棒，会让数据看起来波动更小，属于不规范的呈现方式。
认为标准误小则数据更集中
标准误小仅代表样本统计量对总体的估计精度高，不代表原始数据波动小。判断数据是否集中，需参考标准差的数值。
忽略样本量对标准误的影响
标准误会随样本量增大而自然降低，大样本研究的标准误普遍偏小，不能仅凭标准误的数值直接判断研究结果的优劣。
将精度等同于准确度
标准误衡量的是估计的精度，即多次抽样结果的一致性，不代表结果的准确度。如果抽样存在系统偏差，即使标准误很小，结果也可能偏离总体真实值。