教程 ·
标准差比均值还大，是不是算错了？描述统计里的均值和中位数该报哪个
描述统计表里标准差大于均值、均值明显高于中位数，是分布右偏的信号而不是算错了。演示数据里每周使用时长均值7.734、标准差13.128、中位数4.900，讲清楚论文里该同时报哪些指标。
描述统计表里标准差大于均值、均值远高于中位数，不是算错了，是分布右偏的信号——这篇讲清楚论文里到底该报哪个数。
这一页解决什么
描述性统计看着是最没技术含量的一步：均值、标准差、最小值、最大值，填进表就行。但它是整篇论文里唯一一个"读错了不会报错"的地方——数字都对，结论却是歪的，答辩时被问一句"你这个平均值代表典型情况吗"就答不上来。
这篇不是 APA 格式教程，不讲三线表怎么排版、M 和 SD 要不要斜体——这部分《描述统计的 APA 报告怎么写》那篇已经讲全了。这篇只讲一件事：当描述统计表里出现"标准差比均值还大"这种反常数字时，该怎么判断、该报哪个。
用的是演示数据（不是真实论文数据，模拟问卷，清洗后有效样本 291 份——从 310 份原始问卷清洗到 291 份的完整过程，另一篇专门讲了）。
描述统计表长什么样
五个维度的均分都很规矩，贴着量表中点 3 分附近：
| 变量 | N | 最小值 | 最大值 | 均值 | 标准差 | 中位数 |
|---|---|---|---|---|---|---|
| 感知有用性 | 291 | 1.000 | 5.000 | 3.076 | 1.073 | — |
| 感知易用性 | 291 | 1.000 | 5.000 | 2.947 | 1.060 | — |
| 社会影响 | 291 | 1.000 | 5.000 | 2.993 | 0.854 | — |
| 使用态度 | 291 | 1.000 | 5.000 | 3.058 | 1.065 | — |
| 使用意愿 | 291 | 1.000 | 5.000 | 3.045 | 1.105 | — |
| 每周使用AI工具的小时数 | 291 | 0.500 | 168.000 | 7.734 | 13.128 | 4.900 |
ChatSRS 跑出的描述统计表：五个维度均分和每周使用时长一次性给出 N、最小值、最大值、均值、标准差、中位数。
五个维度这一段没什么可读的，照抄进表就行——最小值 1.000、最大值 5.000，也就是每个维度都有人打满分、有人打最低分。
问题出在最后一行：标准差比均值还大
每周使用 AI 工具的小时数：均值 7.734，标准差 13.128，最小值 0.500，最大值 168.000，中位数 4.900。三处不对劲：
- 标准差比均值还大（13.128 > 7.734）。均值加减一个标准差就跑到负数去了，而这个变量根本不可能是负的；
- 均值是中位数的 1.5 倍还多（7.734 vs 4.900）。一半的人每周用不到 5 小时，可平均数是 7.7；
- 最大值 168。一周总共就 168 小时。
这三条指向同一件事，产品自己把结论写了出来：「均值明显高于中位数，且标准差较大，说明该变量右偏明显，少数高时长样本拉高了平均值。」右偏就是少数极端大的值把平均数往上拽——一个班里有一个人收入远高于其他人，全班"平均收入"立刻失真，是同一回事，不是算错了。
论文里该报哪个：均值还是中位数
它给的处理是「论文中可同时报告均值和标准差，但解释使用时长的典型水平时，建议补充中位数及四分位数」，后面还接了一句「必要时在推断分析中继续采用Spearman相关或非参数检验」。
这句话的信息量比看起来大：描述统计这一步发现的分布问题，会一路影响到后面选哪个方法。均值和标准差照报（读者和审稿人习惯看这两个数），但说"典型情况"的时候要用中位数；到了做相关和做组间比较那一步，这个变量得换算法，不能直接用假设正态分布的方法。
产品对这一行数据给出的判断原文：右偏明显、建议补充中位数及四分位数、必要时改用非参数方法，可以直接作为论文里那句话的模板。
分类变量频数表：分母是291不是310
回头看频数表也是同样的逻辑，只是坑不一样：女 173 人（59.45%）、男 118 人（40.55%）；专业类别里理工类最多，88 人（30.24%）最多，艺术设计类 31 人（10.65%）最少。这类分类变量的表只有一个坑——百分比的分母是 291 不是 310，写方法部分时要交代清楚剔了哪几类问卷、为什么剔（清洗那一步的完整标准在这篇）。
清洗后的频数表：性别、专业类别、使用频率分组的频数和百分比，分母统一是清洗后的 291。
什么情况下不适用
- 判断"标准差比均值还大就是右偏"这个规律，对不可能出现负值的变量（时长、金额、次数）大致成立；对可能取负值的变量（比如态度得分的差值、变化量），同一套判断标准不一定适用，需要单独看分布图。
- 没有一个固定的"标准差/均值超过多少就必须报中位数"的数字门槛，多大算"明显偏"要结合变量本身的性质判断，这是待研究者自己核实的部分，本文不编造一个通用比例。
- 本文演示数据为模拟问卷，不是真实论文数据，具体分布特征说明不了任何真实结论。
- AI 给出的"右偏"判断建议自己再核实一遍，尤其是打算据此更换推断分析方法（比如换成 Spearman 或非参数检验）的时候。
常见问题
标准差比均值大，是不是数据算错了？
不一定。如果变量本身不可能为负（比如时长、金额、次数），标准差大于均值通常说明分布明显右偏，少数极端大的值把标准差拉高了，这是分布特征，不是计算错误。判断是不是真的算错，可以对照最小值、最大值一起看——如果最小值、最大值都在合理范围内，大概率是分布问题而不是数据错误。
均值和中位数差很多的时候，论文里两个都要写吗？
建议都写。均值和标准差是读者习惯看的常规指标，照常报告；但如果要说明这个变量的"典型水平"，建议补充中位数，必要时再加四分位距，这样读者才不会把偏态数据的均值直接当成大多数人的情况。
发现变量右偏之后，后面做相关分析和组间比较要跟着换方法吗？
通常需要考虑。如果描述统计发现变量明显偏态，后续的相关分析可以考虑用 Spearman 秩相关代替皮尔逊相关，组间比较可以考虑用非参数检验代替 t 检验或方差分析，具体选哪种要结合样本量和研究设计判断。
右偏和左偏怎么区分？
均值明显高于中位数、少数偏大的极端值把平均数往上拉，是右偏（正偏）；反过来，均值明显低于中位数、少数偏小的极端值把平均数往下拉，是左偏（负偏）。判断方向时，先看均值和中位数谁大谁小，再看极端值出现在数据的哪一端。
开始你的第一次描述性统计分析
准备好清洗完的问卷数据后，可以登录 ChatSRS 开始分析。均值、标准差、中位数一次性跑出来，遇到分布反常的变量，先看均值和中位数差多远、标准差有没有大过均值，这两眼能省掉一次答辩现场的卡壳。
相关文章推荐
本文演示数据为模拟问卷（清洗后有效样本 291 份，五个维度共 20 道量表题，加每周使用 AI 工具的小时数），非真实论文数据。具体功能、数据处理规则和价格以当前产品页面与真实输出为准。