Kesalahan standar memberi tahu Anda seberapa besar kemungkinan perbedaan rata-rata sampel dari rata-rata populasi sebenarnya, hanya dari keacakan pengambilan sampel. Ini adalah salah satu statistik yang paling banyak digunakan — dan paling membingungkan — dalam penelitian, karena mudah tertukar dengan deviasi standar. Panduan ini menjelaskan ukuran kesalahan standar, cara menghitungnya, dan di mana kesalahan tersebut digunakan.

Kesalahan standar vs. deviasi standar

Deviasi standar (SD) menjelaskan seberapa tersebar titik data individual di sekitar rata-rata — ini adalah properti data mentah Anda. Kesalahan standar (SE) menjelaskan seberapa besar variasi rata-rata sampel jika Anda mengulangi proses pengambilan sampel berkali-kali — ini adalah properti estimasi Anda, bukan data Anda. Hubungannya sederhana: SE = SD / √n. Seiring bertambahnya jumlah sampel n, standar deviasi data akan tetap sama, namun kesalahan standar rata-rata akan menyusut, karena sampel yang lebih besar akan memberikan estimasi rata-rata sebenarnya yang lebih stabil dan tepat.

Kesalahan standar berguna untuk menjelaskan estimasi variabilitas pengambilan sampel, namun interval kepercayaan memerlukan perkalian dengan nilai kritis yang sesuai, sering kali sebesar t nilai kritis untuk sampel kecil. Deviasi standar tetap menjadi ukuran yang tepat ketika mendeskripsikan sebaran observasi individual — misalnya, dalam batang kesalahan pada grafik pengukuran rata-rata, atau dalam penyebut statistik uji-t.

Mengapa akar kuadrat dari n penting

Kesalahan standar tidak berkurang secara proporsional dengan ukuran sampel — kesalahan ini menyusut seiring dengan akar kuadrat n. Menggandakan ukuran sampel Anda hanya mengurangi kesalahan standar sekitar 1,41 (√2), bukan setengahnya. Untuk mengurangi kesalahan standar menjadi dua, Anda memerlukan empat kali ukuran sampel; untuk memotongnya menjadi sepertiga, Anda memerlukan sembilan kali sampel. Hubungan hasil yang semakin berkurang inilah yang menjadi alasan diperlukannya ukuran sampel yang sangat besar untuk menghasilkan sedikit peningkatan presisi, dan alasan para peneliti mempertimbangkan biaya pengumpulan data tambahan dibandingkan seberapa besar hal tersebut akan memperketat perkiraan mereka.

Batasan dan kesalahan standar apa yang tidak diberitahukan kepada Anda

Kesalahan standar hanya memperhitungkan variabilitas pengambilan sampel acak — kesalahan ini mengasumsikan sampel Anda diambil secara independen dan acak dari populasi yang Anda pedulikan. Pernyataan ini tidak menjelaskan apa pun tentang bias pengukuran, sampel yang dirancang dengan buruk, atau kesalahan sistematis dalam pengumpulan data; sebuah penelitian dapat melaporkan kesalahan standar yang sangat kecil dan tetap saja menghasilkan kesalahan besar jika sampel yang mendasarinya tidak representatif. Kesalahan standar juga merupakan landasan statistik lainnya — kesalahan ini dikalikan dengan nilai kritis (skor-z atau skor-t) untuk menghasilkan margin kesalahan dan interval kepercayaan, dan kesalahan tersebut muncul dalam penyebut statistik pengujian hipotesis seperti statistik-t.