How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

คู่มือฉบับสมบูรณ์ส่วนเบี่ยงเบนมาตรฐานเรขาคณิต

เมื่อไหร่ควรใช้ส่วนเบี่ยงเบนมาตรฐานเรขาคณิต

ส่วนเบี่ยงเบนมาตรฐานเรขาคณิต (GSD) เป็นตัววัดการกระจายตัวที่เหมาะสมสำหรับข้อมูลที่เป็นแบบทวีคูณมากกว่าแบบบวก เช่น อัตราการเติบโต อัตราส่วน ความเข้มข้น หรือการวัดใดก็ตามที่มีการแจกแจงลอการิทึมปกติ

พิจารณาผลตอบแทนหุ้น: กำไร 10% ตามด้วยขาดทุน 10% ไม่ได้ทำให้คุณกลับมาเท่าทุน (คุณจะมี 99% ของเงินต้น) ความสัมพันธ์แบบทวีคูณเหล่านี้ต้องการสถิติเรขาคณิตแทนสถิติเลขคณิต

ข้อมูลเชิงลึกสำคัญ

ถ้าข้อมูลของคุณครอบคลุมหลายลำดับขนาด เป็นบวกเสมอ และดูเบ้ขวาเมื่อพล็อตแบบปกติแต่สมมาตรเมื่อพล็อตในมาตราส่วนลอการิทึม คุณกำลังจัดการกับข้อมูลลอการิทึมปกติที่ต้องการสถิติเรขาคณิต

ทำความเข้าใจข้อมูลลอการิทึมปกติ

ข้อมูลมี การแจกแจงลอการิทึมปกติ เมื่อลอการิทึมธรรมชาติของมันมีการแจกแจงปกติ ตัวอย่างที่พบบ่อยได้แก่:

ราคาหุ้นและผลตอบแทนการลงทุนตลอดเวลา
การแจกแจงรายได้และความมั่งคั่ง
ขนาดอนุภาคในละอองลอยและเภสัชภัณฑ์
จำนวนโคโลนีแบคทีเรียและปริมาณไวรัส
ความเข้มข้นของมลพิษทางสิ่งแวดล้อม
ไทเตอร์แอนติบอดีและความเข้มข้นของยา

ลักษณะสำคัญ: กระบวนการที่เกี่ยวข้องกับการคูณซ้ำสร้างการแจกแจงลอการิทึมปกติ เช่นเดียวกับการบวกซ้ำสร้างการแจกแจงปกติ

สูตรและการคำนวณ

ส่วนเบี่ยงเบนมาตรฐานเรขาคณิต

GSD = exp(√[Σ(ln xᵢ - ln x̄ₘ)² / (n-1)])

หรือพูดง่ายๆ: หาลอการิทึมธรรมชาติของทุกค่า คำนวณส่วนเบี่ยงเบนมาตรฐานปกติ แล้วยกเป็นเลขชี้กำลัง

แปลงข้อมูล

คำนวณลอการิทึมธรรมชาติของแต่ละค่า: yᵢ = ln(xᵢ)

คำนวณค่าเฉลี่ย

หาค่าเฉลี่ยเลขคณิตของค่าลอการิทึม: ȳ = Σyᵢ/n

คำนวณ SD

หาส่วนเบี่ยงเบนมาตรฐานของค่าลอการิทึม: s = √[Σ(yᵢ-ȳ)²/(n-1)]

แปลงกลับ

ยกเป็นเลขชี้กำลังเพื่อให้ได้ GSD: GSD = eˢ

Python

import numpy as np
from scipy import stats

def geometric_sd(data):
    """Calculate geometric standard deviation"""
    log_data = np.log(data)
    sd_log = np.std(log_data, ddof=1)
    return np.exp(sd_log)

def geometric_mean(data):
    """Calculate geometric mean"""
    return stats.gmean(data)

# Example: Antibody titers (highly variable, log-normal)
titers = [64, 128, 256, 128, 512, 64, 256]
gm = geometric_mean(titers)
gsd = geometric_sd(titers)
print(f"Geometric Mean: {gm:.1f}")
print(f"Geometric SD: {gsd:.2f}")

การตีความค่า GSD

ต่างจาก SD เลขคณิตที่มีหน่วยเดียวกับข้อมูล GSD เป็น ตัวคูณ คือ อัตราส่วน GSD เท่ากับ 2.0 หมายความว่าข้อมูลแปรผันตามปัจจัย 2

GSD = 1.0:ไม่มีความแปรผัน (เป็นไปไม่ได้ในทางปฏิบัติ)
GSD ≈ 1.2:ความแปรผันต่ำ (±20% เป็นเรื่องปกติ)
GSD ≈ 2.0:ความแปรผันปานกลาง (ข้อมูลเพิ่มขึ้น/ลดลงเป็นสองเท่า)
GSD ≈ 3.0:ความแปรผันสูง (ครอบคลุมหนึ่งลำดับขนาด)

ช่วงความเชื่อมั่น

สำหรับข้อมูลลอการิทึมปกติ ช่วง 95% โดยประมาณคือ: ค่าเฉลี่ยเรขาคณิต ÷ GSD² ถึง ค่าเฉลี่ยเรขาคณิต × GSD² สำหรับ GM=100 และ GSD=2 ช่วงคือ 25 ถึง 400

การประยุกต์ใช้ในชีวิตจริง

วิทยาศาสตร์เภสัชกรรม

การแจกแจงขนาดอนุภาค (D50, GSD) · ความแปรผันของความเข้มข้นยา · การศึกษาชีวปริมาณออกฤทธิ์ · การวิเคราะห์ลักษณะละอองลอย

การเงินและเศรษฐศาสตร์

ความผันผวนของผลตอบแทนการลงทุน · การวิเคราะห์อัตราการเติบโต · การศึกษาการแจกแจงรายได้ · การสร้างแบบจำลองราคาสินทรัพย์

GSD vs SD ปกติ

การใช้ SD เลขคณิตกับข้อมูลลอการิทึมปกติให้ผลลัพธ์ที่ทำให้เข้าใจผิด:

ตัวอย่าง: ข้อมูลปริมาณไวรัส

ค่า: 1,000; 5,000; 10,000; 50,000; 100,000 สำเนา/มล. ค่าเฉลี่ยเลขคณิต ± SD: 33,200 ± 41,424 ค่าเฉลี่ยเรขาคณิต × GSD: 10,000 × 4.5 → ช่วง: 2,222 ถึง 45,000 SD เลขคณิตจะแนะนำว่าค่าลบเป็นไปได้ ซึ่งเป็นไปไม่ได้สำหรับปริมาณไวรัส!

ตรวจสอบการแจกแจงเสมอ

ก่อนคำนวณตัววัดการกระจายตัวใดๆ ให้แสดงข้อมูลเป็นภาพ ถ้ามันเบ้ขวาและมีหางยาว ลองแปลงลอการิทึม ถ้าทำให้สมมาตร ให้ใช้สถิติเรขาคณิต

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context