표본을 다시 뽑으면 추정치는 얼마나 달라질까요?
지금 구한 평균은 표본을 바꿔도 비슷할까?
학생 25명의 평균 키가 173.0cm라고 해봅시다. 다른 학생 25명을 뽑으면 평균은 172.5cm나 173.4cm가 될 수 있습니다. 표본평균 하나만으로는 이 값이 얼마나 안정적인지 알 수 없습니다.
학생을 25명씩 다시 뽑을 때마다 평균 키가 달라집니다
표본 1
172.8cm
표본 2
173.1cm
표본 3
172.5cm
표본 4
172.9cm
표본 5
173cm
표준오차는 이 표본평균들이 보통 얼마나 움직이는지를 나타냅니다.
표본을 반복해서 뽑았을 때 평균이 거의 움직이지 않으면 추정은 정밀합니다. 크게 움직이면 불확실합니다. 그 움직임의 전형적인 크기가 표준오차입니다.
핵심 질문
내가 가진 하나의 표본평균을 얼마나 정밀한 추정치로 볼 수 있을까요?
현재 표본에서 계산한 평균은 표본을 바꾸면 함께 바뀝니다.
표본이 커질수록 평균의 표본 간 흔들림이 작아집니다.
표준오차는 추정량이 표본마다 얼마나 달라지는지 나타냅니다.
표준편차와 표준오차의 차이부터
통계량의 표본추출변동을 나타냅니다
표준오차는 평균, 비율, 회귀계수 같은 통계량이 표본을 다시 뽑을 때 얼마나 달라지는지를 나타냅니다. 표본평균의 표준오차는 표본평균 표본분포의 표준편차입니다.
| 대상 | 무엇의 산포인가 | 질문 |
|---|---|---|
| 표준편차 | 한 표본에 있는 개별 관측값 | 사람들의 값은 얼마나 다른가? |
| 표준오차 | 반복 표본에서 계산한 통계량 | 추정치는 표본마다 얼마나 다른가? |
SE가 작다는 뜻
개인의 값이 서로 같다는 뜻이 아니라, 표본을 바꿔도 추정치가 크게 달라지지 않는다는 뜻입니다.
SD는 데이터의 산포, SE는 추정치의 불확실성입니다
표준편차(SD)
한 표본 안에서 개인의 값이 퍼진 정도
학생 키 SD = 8cm
표준오차(SE)
반복 표본에서 평균이 퍼진 정도
평균의 SE = 1.6cm
학생들의 키는 서로 크게 달라도 충분히 많은 학생을 조사하면 평균 키는 정밀하게 추정할 수 있습니다. 따라서 SD는 그대로여도 표본 크기가 커지면 SE는 작아집니다.
산포가 클수록 커지고 표본 크기가 클수록 작아집니다
| 변화 | SE의 변화 | 이유 |
|---|---|---|
| 표준편차가 커짐 | 커짐 | 개별 값의 변동이 평균에도 더 많이 남습니다. |
| 표본 크기가 커짐 | 작아짐 | 우연히 치우친 표본이 나올 가능성이 줄어듭니다. |
| 표본 크기가 4배 | 절반 | SE는 √n에 반비례합니다. |
숫자로 읽기
표준편차가 8cm이고 n=25이면 SE=8÷5=1.6cm입니다. n=100이면 SE=8÷10=0.8cm로 줄어듭니다.
추정치의 안정성을 판단하는 이유
추정치만으로는 정밀도를 알 수 없습니다
| 표본평균 | 표준오차 | 해석 |
|---|---|---|
| 173cm | 0.3cm | 표본을 바꿔도 평균이 비슷하게 나올 가능성이 큽니다. |
| 173cm | 3.0cm | 같은 평균이지만 표본에 따라 크게 달라질 수 있습니다. |
두 연구의 평균이 같아도 SE가 다르면 근거의 정밀도는 다릅니다. 그래서 추정치는 표준오차나 신뢰구간과 함께 보고해야 합니다.
관심 통계량에 따라 공식이 달라집니다
| 통계량 | 표준오차 |
|---|---|
| 평균 | s/√n |
| 비율 | √[p̂(1−p̂)/n] |
| 평균 차이 | 두 집단의 분산과 표본 크기를 결합 |
| 회귀계수 | 잔차 산포와 예측변수의 정보량으로 계산 |
공식은 달라도 목적은 같습니다. 같은 연구를 반복했을 때 해당 통계량이 얼마나 달라질지를 추정합니다.
단독 기준이 아니라 추정치의 단위로 해석합니다
| 결과 | 읽는 방법 |
|---|---|
| 평균 80, SE 2 | 표본평균의 전형적인 표본추출변동이 약 2점입니다. |
| 차이 5, SE 1 | 관측 차이가 불확실성보다 5배 큽니다. |
| 계수 0.4, SE 0.5 | 계수의 방향과 크기가 표본에 따라 불안정할 수 있습니다. |
SE의 절대 기준은 없습니다
SE=1이 작은지는 측정 단위와 효과의 크기에 달려 있습니다. 1kg과 1mg은 전혀 다른 정밀도입니다.
산포와 표본 크기가 SE를 만드는 과정
학생 100명의 키로 평균을 추정합니다
자료
무작위로 뽑은 학생 100명의 평균 키는 173.2cm, 표준편차는 8.0cm입니다.
| 단계 | 계산 |
|---|---|
| 표본평균 | 173.2cm |
| 표본표준편차 | 8.0cm |
| 표본 크기의 제곱근 | √100=10 |
| 표준오차 | 8.0÷10=0.8cm |
결과 해석
학생 평균 키의 추정치는 173.2cm이고 표준오차는 0.8cm입니다. 같은 방식으로 학생 100명을 반복 추출하면 표본평균은 모집단 평균 주변에서 약 0.8cm 규모로 달라질 것으로 예상됩니다.
작은 SE가 편향 없는 결과를 보장하지 않습니다
| 확인할 것 | 문제가 생기면 |
|---|---|
| 무작위성과 대표성 | 편향된 큰 표본은 SE가 작아도 틀린 값을 정밀하게 추정합니다. |
| 관측값의 독립성 | 군집·반복측정을 무시하면 SE를 지나치게 작게 계산합니다. |
| 이상치와 심한 비대칭 | 작은 표본의 SE와 정규근사가 불안정할 수 있습니다. |
| 표본 설계 | 층화·군집·가중치를 일반 공식에 반영해야 합니다. |
표준오차를 잘못 읽는 대표적인 경우
오해 1 · SE는 데이터의 퍼짐이다
개별 데이터의 퍼짐은 SD이고, SE는 통계량의 표본 간 퍼짐입니다.
오해 2 · SE가 작으면 표본이 대표적이다
SE는 무작위 변동을 나타낼 뿐 선택편향을 발견하거나 고치지 못합니다.
오해 3 · 표본을 두 배로 늘리면 SE가 절반이다
절반으로 줄이려면 표본을 네 배로 늘려야 합니다.
오해 4 · SE는 실제 오차의 크기다
모수와 추정치의 실제 차이는 알 수 없으며, SE는 그 차이의 전형적인 규모를 추정합니다.
학생 키 추정을 처음부터 끝까지 살펴보기
산포와 표본 크기가 표준오차를 어떻게 바꾸는지 관찰합니다
표준편차와 표본 크기를 바꿔보세요. 데이터가 더 다양할수록 SE는 커지고, 더 많이 관측할수록 SE는 작아집니다.
2.00
표본평균이 반복 표본에서 움직일 것으로 예상되는 크기
표준오차(SE) 인터랙티브 랩
표본을 다시 뽑고 표본 크기를 바꾸며 추정량의 흔들림과 구간 폭을 직접 비교하세요.
조작할 때 그래프의 위치·모양·오류 구조를 먼저 보세요.
현재 조건
103 · 28
조절값과 그래프의 변화를 함께 확인하세요.
한 조절값만 먼저 움직인 뒤 그래프의 어떤 부분이 변하고 무엇은 그대로인지 설명해보세요.
관찰할 것
표준편차와 표본 크기를 바꿔보기
표준오차에서 기억해야 할 판단 규칙
복잡한 설계에서는 표준오차도 달라집니다
| 주제 | 핵심 내용 |
|---|---|
| 유한모집단수정 | 모집단의 큰 비율을 복원 없이 뽑을 때 SE를 줄여 조정합니다. |
| 군집강건 표준오차 | 같은 집단 안의 관측값이 서로 연관될 때 사용합니다. |
| 이분산 강건 표준오차 | 회귀 잔차의 분산이 일정하지 않을 때 사용합니다. |
| 부트스트랩 SE | 공식이 복잡한 통계량의 표본분포를 재추출로 근사합니다. |
| 신뢰구간 | 추정치에 임계값×SE를 더하고 빼서 범위를 만듭니다. |
다음 연결
표준오차가 추정치의 흔들림을 하나의 수치로 요약한다면, 신뢰구간은 그 불확실성을 실제 값의 범위로 보여줍니다.