免费抽样误差计算器

在任何统计研究——无论是预测选举结果还是估算一批食品的平均卡路里含量——来自样本的数据从来都不是完全精确的。量化这种不确定性至关重要，而抽样误差（也称为边际误差）提供了一种标准化的表达方式。这个边际误差计算器（一个免费的在线样本误差计算器）允许研究人员使用样本量以及比例或标准差，快速计算比例和均值的误差。

总体参数与统计量

参数描述整个总体（例如，美国成年女性的真实平均身高，或支持某个候选人的选民的真实比例）。统计量是根据样本计算出的点估计——我们实际观察到的数据。总体参数与其对应统计量之间的差异是抽样误差的本质，但由于真实参数几乎总是未知的，我们必须估计误差而不是直接测量它。

什么是抽样误差？

遵循许多权威统计词汇的定义，抽样误差特指由随机抽样引起的变异——从同一总体中抽取不同样本时出现的随机差异。它不包括非随机偏差（研究设计差、样本不具有代表性等）。在实际应用中，抽样误差是临界值（z分数或t统计量）与估计的标准误差的乘积。

抽样误差公式

计算取决于您估计的是比例还是均值。

对于总体比例

当关心的参数是比例$p$（例如投票意向）时，边际误差$e_p$为：

$$e_p = z_{\alpha/2} \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$$

其中：

• $n$ = 样本量，
• $\hat{p}$ = 样本比例，
• $z_{\alpha/2}$ = 对应于所需置信水平的z分数（例如，95%置信度时为1.96）。

项$\sqrt{\hat{p}(1-\hat{p})/n}$是样本比例的标准误差，记作$SE(\hat{p})$。

对于总体均值

当估计均值$\mu$时，有两种情况：

• 已知总体标准差$\sigma$（实践中很少见）：

$$e_{\bar{x}} = z_{\alpha/2} \times \frac{\sigma}{\sqrt{n}}$$

• 未知$\sigma$（通常情况）：使用样本标准差$s$和t分布：

$$e_{\bar{x}} = t_{\alpha/2} \times \frac{s}{\sqrt{n}}$$

这里$\frac{s}{\sqrt{n}}$是样本均值的标准误差$SE(\bar{x})$。$t_{\alpha/2}$的值取决于置信水平和样本量（自由度 = $n-1$）。

如何使用边际误差计算器

该工具简化了上述计算。下面展示两个常见场景。

示例：投票意向民意调查

您调查了500名随机选择的公民；其中400人表示他们会投票给候选人X。

• 比例误差模式：输入$n = 500$，$\hat{p} = 400/500 = 0.8$。
• 选择95%置信水平（默认$z_{α/2} = 1.96$）。
• 计算器返回$e_p = \pm 0.0351$（3.51%）。
• 解释：在95%置信度下，真实总体支持率介于76.49%至83.51%之间。

示例：产品卡路里含量

您对一批食品的30个单位进行抽样。样本均值为600千卡，标准差为70千卡。

• 均值误差模式：选择“样本标准差”作为已知信息。
• 输入$n = 30$，$s = 70$，置信水平95%。
• 计算器给出$e_{\bar{x}} = \pm 26.14$千卡。
• 解释：总体平均卡路里含量估计介于573.86至626.14千卡之间（95%置信度）。
• 注意：此区间描述的是均值的合理范围，而非单个产品单位的范围。

标准误差与边际误差

虽然经常混淆，但这两个术语是不同的：

• 标准误差（SE）是统计量抽样分布的估计标准差（例如，$SE(\bar{x}) = s/\sqrt{n}$）。
• 边际误差（也称为抽样误差）是标准误差乘以临界值（z或t）。它表示在指定置信水平下的不确定性。

仅当临界值等于1时它们才相等（即在正态分布下置信水平约为68%）。

减少抽样误差

在其他条件相同的情况下，增加样本量可减少边际误差，因为标准误差与$\sqrt{n}$成反比。例如，将$n$扩大四倍可将误差减半。仔细的研究设计（随机抽样、避免偏差）也有助于保持误差估计的有效性。

抽样误差计算器——您的免费在线边际误差工具——可即时处理比例和均值两种情况，让您专注于解释结果而非计算公式。