RSE计算器 - 相对标准误差

相对标准误差（RSE）是一种标准化、无单位的统计精度度量。它将某个估计的标准误差表示为该估计绝对值的百分比，使研究人员和分析人员能够在不受量纲或单位影响的情况下比较不同估计的可靠性。 公式很简单：RSE (%) = (标准误差 / |估计值|) × 100。分母中的绝对值可确保结果始终为正，因为误差表示的是大小而不是方向。RSE 为 5% 表示标准误差相当于估计值的 5%，说明精度很高；RSE 为 40% 则表明该估计存在很大不确定性，应格外谨慎对待。 标准误差（SE）本身衡量的是估计周围典型的抽样变异。它由样本标准差（s）和样本量（n）推导而来：SE = s / √n。这一关系揭示了一个重要的实践规律——降低 RSE 最可靠的方法是增加样本量。样本量加倍会使 SE 按 √2 ≈ 1.41 的因子下降，从而按比例缩小 RSE。 许多国家统计机构都会发布可接受 RSE 水平的指南。美国人口普查局和澳大利亚统计局等机构常用的阈值是：RSE 低于 15% 表示高精度，通常可以不加限定地使用；RSE 在 15% 到 30% 之间被视为可接受，但应加注说明；RSE 高于 30% 则说明该估计不可靠，通常应附带醒目的警告，或直接予以抑制。 需要理解的是，RSE 衡量的是精度，而不是准确性。精度是指重复测量彼此聚集的程度；准确性是指这些测量与真实总体值的接近程度。即使某个估计非常精确（RSE 很小），如果测量过程或抽样框存在系统性偏差，它仍然可能不准确。相反，一个无偏但波动很大的估计会有较大的 RSE。 RSE 在复杂抽样设计、经济建模、流行病学研究和质量控制中特别有用，因为这些场景中往往需要在同一基准下比较多个不同量级的估计。通过把变异表示为估计值本身的一个比例，RSE 为这种比较提供了公平的尺度。