SD的计算方法？
1.计算每个值与样本平均值之间差值的平方。
2.将这些值相加。
3.将总和除以N - 1。将其称为方差。
4.开平方根，获得标准偏差。
为什么选择n - 1？
为什么在上述第三步中除以n - 1（而非N）？在第1步中，计算每个值和这些值的平均值之差。您不知道群体的实际平均值；您所知道的是样本的平均值。除样本平均值恰好等于群体平均值的罕见情况外，数据将更接近样本平均值，而非实际群体平均值。因此，您在第2步中计算的值可能会比在第1步中使用实际群体平均值时的值小一点（且无法更大）。为弥补这一不足，我们除以n - 1而非n。
但是，为什么使用n - 1？如果您知道样本平均值，以及除了一个值之外的所有值，则您可以计算最后一个值必须是什么。统计学家称存在n - 1 自由度。
但我看到方程的分母中是n，而非n - 1！
n - 1方程用于分析数据样本，并希望得到更一般结论的常见情况。以此方式计算的SD（分母中为N - 1）是您对总群体SD值的最佳猜测。
如果您只是想要量化一组特定数据的变化，而不打算外推以得到更广泛的结论，则在分母中使用N计算SD。由此产生的SD是这些特定值的SD，但很可能低估这些数值点提取群体的SD。
科学的目标始终是普遍化，因此在分析科学数据时，不应在方程的分母中使用n。我能想到的唯一一个在分母中使用n（而非n - 1）可能有意义的示例是量化检测评分之间的差异。但更好的方法是显示每个评分的散点图，或者频率分布直方图。
Prism始终使用n - 1计算SD。
计算SD需要多少个值？
SD量化离散度，因此显然需要不止一个值！两个值是否足够？许多人认为仅有两个值无法计算SD。但这是错误观点。您仅有重复（n = 2）数据时，计算SD的方程正常工作。
结果是否有效？从数学角度来看，我们没有理由不这么想，但我用模拟回答了该问题。我模拟了一万个n = 2的数据集，并且每个数据点均从高斯分布中随机选取。由于所有统计检验实际上均以方差（SD的平方）为基础，因此我比较了根据重复数据计算的方差和真正方差。模拟数据的10,000个方差的平均值与模拟数据来源真正方差的差异不超过1%。这意味着根据重复数据计算的SD是对数据离散度的有效评估。其同样可能过高或过低，但也可能距离真SD非常远。
使用Excel计算SD
Excel可以使用STDEV（）函数，根据一系列值计算SD。例如，如果您想知道单元格B1 - B10中值的SD，则在Excel中使用以下公式：
= STDEV（B1:B10）
该函数在分母中使用n - 1，计算SD。如果您想在分母中使用N以计算SD（见上文），则使用Excel的STDEVP（）函数。
SE和SEM是否相同？
