样本方差怎么计算？

一般情况下求D(S^2)并不容易，但如果总体服从正态分布N(μ,σ^2)，则(n-1)S^2/σ^2服从自由度为n-1的卡方分布，从而D[(n-1)S^2/σ^2]=2(n-1)，可由此间接求出D(S^2)。

在许多实际情况下，人口的真实差异事先是不知道的，必须以某种方式计算。 当处理非常大的人口时，不可能对人口中的每个物体进行计数，因此必须对人口样本进行计算。样本方差也可以应用于从该分布的样本的连续分布的方差的估计。

扩展资料：

如果大数定律的条件对于平方观测值同样适用，则s2是σ2的一致估计量。 可以看出，估计的方差趋于零。 在Kenney and Keeping（1951：164），Rose和Smith（2002：264）和Weisstein（nd）中给出了渐近等效的公式。

正态总体的样本均值和样本方差相互独立。方差刻画了随机变量的取值对于其数学期望的离散程度。（标准差、方差越大，离散程度越大）

若X的取值比较集中，则方差D（X）较小，若X的取值比较分散，则方差D（X）较大。

因此，D（X）是刻画X取值分散程度的一个量，它是衡量取值分散程度的一个尺度。

参考资料来源：百度百科——样本方差

一般情况下求D(S^2)并不容易，但如果总体服从正态分布N(μ,σ^2)，则(n-1)S^2/σ^2服从自由度为n-1的卡方分布，从而D[(n-1)S^2/σ^2]=2(n-1)，可由此间接求出D(S^2)。

在许多实际情况下，人口的真实差异事先是不知道的，必须以某种方式计算。 当处理非常大的人口时，不可能对人口中的每个物体进行计数，因此必须对人口样本进行计算。样本方差也可以应用于从该分布的样本的连续分布的方差的估计。

扩展资料：

方差用来计算每一个变量（观察值）与总体均数之间的差异。为避免出现离均差总和为零，离均差平方和受样本含量的影响，统计学采用平均离均差平方和来描述变量的变异程度。

平方根是一个凹函数，因此引入负偏差（由Jensen不等式），这取决于分布，因此校正样本标准偏差（使用贝塞尔校正）有偏差。 标准偏差的无偏估计是一个技术上涉及的问题，尽管对于使用术语n-15的正态分布，形成无偏估计。

方差是和中心偏离的程度，用来衡量一批数据的波动大小（即这批数据偏离平均数的大小）并把它叫做这组数据的方差。 在样本容量相同的情况下，方差越大，说明数据的波动越大，越不稳定。

参考资料来源：百度百科——样本方差

假设你所谓的表中其它数据指的是eviews里回归估计的输出表
SE of regression=[Sum of Squared Residuals/(T-k)]^(1/2)
Sum of Squared Residuals是表中数据
T是观测数，k是变量数，包括常数项
回归标准差反映的是各变量值与其平均数的平均差异程度，表明其平均数对各变量值的代表性强弱；公式：各变量值与其平均数的差的平方和然后再求平均数，是方差，方差开平方就是标准差。

回归标准差等于RSS/(n-k)，即 RSS dividend by degree of freedom
RSS是指residuals of sum squares,
n 指样本量，即observations
k 指估计的parameters,包括截距，引入两个 explanatory variables, k=3

在我们研究两个变量（x,y）之间的相互关系时，通常可以得到一系列成对的数据（x1,y1x2,y2 xm,ym）；将这些数据描绘在x -y直角坐标系中，若发现这些点在一条直线附近，可以令这条直线方程如（式1-1）。 Y计= a0 + a1 X （式1-1) 其中：a0、a1 是任意实数 为建立这直线方程就要确定a0和a1，应用《最小二乘法原理》，将实测值Yi与利用（式1-1）计算值（Y计=a0+a1X）的离差（Yi-Y计）的平方和〔∑（Yi - Y计）2〕最小为“优化判据”。 令：φ = ∑（Yi - Y计）2 （式1-2) 把（式1-1）代入（式1-2）中得： φ = ∑（Yi - a0 - a1 Xi)2 （式1-3) 当∑（Yi-Y计）平方最小时，可用函数 φ 对a0、a1求偏导数，令这两个偏导数等于零。 （式1-4) （式1-5) 亦即： m a0 + （∑Xi ) a1 = ∑Yi （式1-6) （∑Xi ) a0 + （∑Xi2 ) a1 = ∑（Xi,Yi) （式1-7) 得到的两个关于a0、 a1为未知数的两个方程组，解这两个方程组得出： a0 = （∑Yi) / m - a1（∑Xi) / m （式1-8) a1 = [m∑Xi Yi - （∑Xi ∑Yi)] / [m∑Xi2 - （∑Xi)2 )] （式1-9) 这时把a0、a1代入（式1-1）中， 此时的(式1-1）就是我们回归的元线性方程即：数学模型。 在回归过程中，回归的关联式是不可能全部通过每个回归数据点（x1,y1 x2,y2xm,ym），为了判断关联式的好坏，可借助相关系数“R”，统计量“F”，剩余标准偏差“S”进行判断；“R”越趋近于 1 越好；“F”的绝对值越大越好；“S”越趋近于 0 越好。 R = [∑XiYi - m （∑Xi / m）（∑Yi / m)]/ SQR{[∑Xi2 - m （∑Xi / m)2][∑Yi2 - m （∑Yi / m)2]} （式1-10) 在（式1-1）中，m为样本容量，即实验次数；Xi、Yi分别任意一组实验X、Y的数值。
编辑本段最小二乘法公式
最小二乘法公式　 注：以下“平”是指某参数的算数平均值。如：X平——x的算术平均值。 1、∑（X--X平）（Y--Y平）= ∑（XY--X平Y--XY平+X平Y平）= ∑XY--X平∑Y--Y平∑X+nX平Y平= ∑XY--nX平Y平--nX平Y平+nX平Y平=∑XY--nX平Y平；　 2、∑（X --X平）^2= ∑（X^2--2XX平+X平^2)= ∑X^2--2nX平^2+nX平^2=∑X^2--nX平^2； 3、Y=kX+b k=（（XY）平--X平Y平）/（（X^2）平--(X平）^2）， b=Y平--kX平； X平=1/n∑Xi， (XY）平=1/n∑XiYi；

---