Как в R найти стандартную ошибку среднего?

Есть ли какая-нибудь команда, чтобы найти стандартную ошибку среднего в R?

В пакете plotrix есть встроенная функция для этого: std.error

Стандартная ошибка - это просто стандартное отклонение, деленное на квадратный корень из размера выборки. Таким образом, вы можете легко создать свою собственную функцию:

> std <- function(x) sd(x)/sqrt(length(x))
> std(c(1,2,3,4))
[1] 0.6454972

Стандартная ошибка (SE) - это просто стандартное отклонение выборочного распределения. Дисперсия выборочного распределения - это дисперсия данных, деленная на N, а SE - это квадратный корень из этого. Исходя из этого понимания, можно увидеть, что более эффективно использовать дисперсию при вычислении SE. sdФункция R уже делает один квадратный корень (код sdнаходится в R и раскрывается, просто набрав «сд»). Следовательно, наиболее эффективным является следующее.

se <- function(x) sqrt(var(x)/length(x))

чтобы сделать функцию только немного более сложной и обработать все параметры, которые вы можете передать var, вы можете внести это изменение.

se <- function(x, ...) sqrt(var(x, ...)/length(x))

Используя этот синтаксис, можно воспользоваться такими вещами, как обработка varпропущенных значений. В varэтом seвызове можно использовать все, что может быть передано в качестве именованного аргумента .

Версия ответа Джона выше, которая удаляет надоедливые NA:

stderr <- function(x, na.rm=FALSE) {
  if (na.rm) x <- na.omit(x)
  sqrt(var(x)/length(x))
}

В sciplot пакета есть встроенная функция se (x)

Поскольку я время от времени возвращаюсь к этому вопросу, и поскольку этот вопрос старый, я публикую тест для получения ответов с наибольшим количеством голосов.

Обратите внимание, что для ответов @ Ian и @ John я создал другую версию. Вместо использования length(x)я использовал sum(!is.na(x))(чтобы избежать НА). Я использовал вектор 10 ^ 6 с 1000 повторениями.

library(microbenchmark)

set.seed(123)
myVec <- rnorm(10^6)

IanStd <- function(x) sd(x)/sqrt(length(x))

JohnSe <- function(x) sqrt(var(x)/length(x))

IanStdisNA <- function(x) sd(x)/sqrt(sum(!is.na(x)))

JohnSeisNA <- function(x) sqrt(var(x)/sum(!is.na(x)))

AranStderr <- function(x, na.rm=FALSE) {
  if (na.rm) x <- na.omit(x)
  sqrt(var(x)/length(x))
}

mbm <- microbenchmark(
  "plotrix" = {plotrix::std.error(myVec)},
  "IanStd" = {IanStd(myVec)},
  "JohnSe" = {JohnSe(myVec)},
  "IanStdisNA" = {IanStdisNA(myVec)},
  "JohnSeisNA" = {JohnSeisNA(myVec)},
  "AranStderr" = {AranStderr(myVec)}, 
  times = 1000)

mbm

Полученные результаты:

Unit: milliseconds
       expr     min       lq      mean   median       uq      max neval cld
    plotrix 10.3033 10.89360 13.869947 11.36050 15.89165 125.8733  1000   c
     IanStd  4.3132  4.41730  4.618690  4.47425  4.63185   8.4388  1000 a  
     JohnSe  4.3324  4.41875  4.640725  4.48330  4.64935   9.4435  1000 a  
 IanStdisNA  8.4976  8.99980 11.278352  9.34315 12.62075 120.8937  1000  b 
 JohnSeisNA  8.5138  8.96600 11.127796  9.35725 12.63630 118.4796  1000  b 
 AranStderr  4.3324  4.41995  4.634949  4.47440  4.62620  14.3511  1000 a  


library(ggplot2)
autoplot(mbm)

в более общем случае, для стандартных ошибок по любому другому параметру вы можете использовать загрузочный пакет для моделирования начальной загрузки (или написать их самостоятельно)

Вы можете использовать функцию stat.desc из пакета pastec.

library(pastec)
stat.desc(x, BASIC =TRUE, NORMAL =TRUE)

вы можете найти больше об этом здесь: https://www.rdocumentation.org/packages/pastecs/versions/1.3.21/topics/stat.desc

Помня, что среднее значение также можно получить с использованием линейной модели, регрессируя переменную относительно одного перехвата, вы также можете использовать lm(x~1)для этого функцию!

Преимущества:

• Вы сразу получаете доверительные интервалы с confint()
• Вы можете использовать тесты для различных гипотез о среднем, используя, например, car::linear.hypothesis()
• Вы можете использовать более сложные оценки стандартного отклонения, если у вас есть гетероскедастичность, кластерные данные, пространственные данные и т. Д., См. Пакет sandwich

## generate data
x <- rnorm(1000)

## estimate reg
reg <- lm(x~1)
coef(summary(reg))[,"Std. Error"]
#> [1] 0.03237811

## conpare with simple formula
all.equal(sd(x)/sqrt(length(x)),
          coef(summary(reg))[,"Std. Error"])
#> [1] TRUE

## extract confidence interval
confint(reg)
#>                   2.5 %    97.5 %
#> (Intercept) -0.06457031 0.0625035

^{Создано 06.10.2020 пакетом REPEX (v0.3.0)}

y <- mean(x, na.rm=TRUE)

sd(y)для стандартного отклонения var(y)для дисперсии.

Оба вывода используются n-1в знаменателе, поэтому они основаны на выборочных данных.