Standardfehler der Schätzung

Dieser Rechner für den Standardfehler der Schätzung misst, wie eng beobachtete y-Werte an einer angepassten Geraden liegen. Sie übergeben zwei parallele Arrays gepaarter Zahlen—unabhängige Werte in x und abhängige in y—mit mindestens drei Paaren. Die Engine passt die gewöhnliche Kleinste-Quadrate-Gerade ŷ gleich m mal x plus b an, bildet die residuale Quadratsumme SSE als Summe der quadrierten Differenzen zwischen jedem y und seiner Vorhersage und meldet dann den Standardfehler der Schätzung SEE gleich der Quadratwurzel aus SSE geteilt durch n minus zwei. Diese einzelne Zahl ist die typische Residualgröße um die Gerade: ein kleineres SEE bedeutet, dass die Punkte näher an den Vorhersagen liegen; ein größeres bedeutet mehr vertikale Streuung nach Entfernen des linearen Trends. Sie erhalten außerdem den Stichprobenumfang, die Freiheitsgrade, Mittelwerte, Steigung, Achsenabschnitt, SSE selbst, eine kompakte Gleichung und die Formelkennzeichnung, damit Arbeitsblätter und Skripte jeden Zwischenschritt prüfen können. Der Pfad ist reine deterministische Arithmetik ohne Netzaufrufe, ohne Bootstrap-Resampling und ohne datumsabhängiges Verhalten.

Was der Standardfehler der Schätzung misst und wie er sich vom SEM unterscheidet

Der Standardfehler der Schätzung beantwortet eine Regressionsfrage: Nachdem Sie eine Gerade durch gepaarte Daten gelegt haben, wie groß sind die typischen vertikalen Residuen? Algebraisch ist das Residuum jedes Punktes das beobachtete y minus das vorhergesagte ŷ auf der Kleinste-Quadrate-Geraden, SSE ist die Summe dieser Residuen im Quadrat, und SEE ist die Quadratwurzel aus SSE über n minus zwei. Der Nenner n minus zwei sind die residualen Freiheitsgrade der einfachen linearen Regression mit Achsenabschnitt: Zwei Parameter wurden aus derselben Stichprobe geschätzt, daher werden zwei Freiheitsgrade verbraucht, bevor die Residualvarianz zusammengefasst wird.

Diese Konstruktion unterscheidet sich bewusst vom Standardfehler des Mittelwerts. SEM ist die Stichprobenstandardabweichung geteilt durch die Quadratwurzel aus n und beschreibt die Präzision eines Mittelwerts einer einzelnen Stichprobe; es passt nie eine Gerade an und braucht nie gepaarte x-Werte. Wer nach einem Rechner für den Standardfehler der Schätzung sucht, will in der Regel Residualstreuung um einen Trend, nicht die Unsicherheit eines Mittelwerts.

Diese Seite liefert daher stets die Anpassungsgrößen, die SEE definieren—Steigung, Achsenabschnitt, SSE, Freiheitsgrade und SEE selbst—statt eines univariaten Mittelwerts und s über Wurzel n. Identische x-Werte werden ebenfalls abgelehnt, weil die Kleinste-Quadrate-Steigung undefiniert ist, wenn die unabhängige Variable keine Varianz hat, sodass weder Gerade noch SEE gebildet werden können. Nicht-endliche Zahlen, ungleiche Serienlängen, leere Listen und Arrays jenseits der veröffentlichten Längen- oder Magnitudengrenzen scheitern ebenso mit klaren Feldmeldungen und werden nicht berechnet.

Wo SEE in Studium, Wissenschaft, Produktarbeit und Reporting hingehört

Studierende begegnen dem Standardfehler der Schätzung, wenn ein Statistik-Kurs von Streudiagrammen zur einfachen linearen Regression übergeht und eine einzige Zahl verlangt, die die Residualstreuung um die angepasste Gerade zusammenfasst. Lehrkräfte können Antwortschlüssel für bescheidene gepaarte Reihen vorab erzeugen, ohne undurchsichtigen Apps zu vertrauen, die Zwischenquadrate anders runden oder verbergen, ob sie n, n minus eins oder n minus zwei verwendet haben.

Labor- und Ingenieurgruppen nutzen SEE bei der Kalibrierung von Instrumenten, der Verknüpfung einer Steuereinstellung mit einer gemessenen Antwort oder der Prüfung, wie eng ein lineares Modell nach einer Routineanpassung einem Sensor folgt. Ökonomen und Sozialwissenschaftler berichten SEE neben Steigungsschätzungen, damit Leser die Skala des Vorhersagefehlers in denselben Einheiten wie y sehen, nicht nur ein dimensionsloses R-Quadrat. Produkt- und Analytics-Teams beobachten Residualfehler linearer Trendmodelle für Latenz versus Last, Conversion versus Ausgaben oder Nachfrage versus Preis, wenn eine Gerade erster Ordnung die Basislinie vor aufwendigeren Modellen ist.

Kombinieren Sie ihn mit dem Rechner für lineare Regression, wenn Sie auch R-Quadrat und Residualvektoren brauchen, und mit dem Rechner für den Standardfehler des Mittelwerts, wenn Ihre Frage die Präzision eines Durchschnitts und nicht die Residualgröße um eine Gerade betrifft.