統計學基礎入門必讀：標準差與變異數的關鍵差異全解析，包含公式比較、母體與樣本差異及資料分析實務應用。

什麼是變異數？

變異數（母體記為 σ²，樣本記為 s²）是衡量資料集中數值之間離散程度的統計量。它代表各數值與平均值（μ）之間差異的平方的平均值。透過將離差平方，變異數確保了正負離差不會互相抵銷，從而真實反映資料的離散程度。然而，正因為離差經過了平方處理，變異數的單位會變成原始資料單位的平方，這使得它在直觀解釋上變得較為抽象。

什麼是標準差？

標準差（母體記為 σ，樣本記為 s）是變異數的平方根。它衡量的是個別資料點偏離平均值的平均幅度。因為標準差是將變異數開平方根求得，所以它的單位與原始資料相同，這讓它在實際應用中更直觀、更容易解讀。標準差也是統計學中最被廣泛使用的離散程度衡量指標。

標準差與變異數的核心差異

雖然這兩個指標都在量化資料點圍繞平均值的離散程度，但它們的數學關係與實用性卻大不相同。最根本的差異在於單位與可解讀性。標準差是變異數的平方根，這個動作將離散度的衡量拉回了原始資料的單位；而變異數因為是平方後的數值，會不成比例地放大離群值的影響，這使得它對極端值非常敏感。

母體與樣本公式

在計算這些指標時，你必須區分母體與樣本。母體包含特定群體中的所有成員，而樣本僅是母體的一個子集。在樣本公式中使用 (n - 1) 作為分母——這稱為貝氏校正——能修正從樣本推估母體變異數時的先天偏差，確保估計式是不偏的。

何時該使用變異數或標準差？

選擇使用變異數還是標準差，完全取決於你的分析目標。如果你需要向非技術背景的受眾傳達資料的離散程度，標準差絕對是首選，因為它與資料的原始單位一致。然而，如果你正在進行統計的中間運算——例如在變異數分析中計算 F 統計量、評估現代投資組合理論的風險，或進行假設檢定——變異數在數學處理上會更加方便。

用 Python 計算標準差與變異數

Python 的 `statistics` 模組提供了計算變異數與標準差的內建函式。在使用這些函式時，根據你的資料是母體還是樣本來選擇正確的方法，是至關重要的步驟。

import statistics

# 範例資料集
data = [14, 18, 12, 15, 11]

# 計算樣本變異數與標準差
sample_var = statistics.variance(data)
sample_sd = statistics.stdev(data)

# 計算母體變異數與標準差
pop_var = statistics.pvariance(data)
pop_sd = statistics.pstdev(data)

print(f"Sample Variance: {sample_var:.2f}")
print(f"Sample SD: {sample_sd:.2f}")
print(f"Population Variance: {pop_var:.2f}")
print(f"Population SD: {pop_sd:.2f}")

常見問題

• 變異數可以是負數嗎？不行，因為離差平方和 (xᵢ - μ)² 永遠大於或等於零，所以變異數絕不可能是負數。
• 為什麼在報告中，標準差比變異數更常被使用？因為標準差與平均數的單位相同，這使得它更容易與原始資料放在一起解讀與理解。
• 變異數和均方誤差（MSE）一樣嗎？兩者很類似，但 MSE 衡量的是估計值與實際值之間的平方誤差平均，而變異數衡量的是圍繞平均值的離散程度。如果估計式剛好就是平均數，那麼 MSE 就等於變異數。