Python最小二乘拟合中如何由标准差转换为标准误？

首先要明确：你当前计算出的std已经是拟合参数的标准误（SE），不需要再用SE = STD/sqrt(N)的公式额外转换。

代码逻辑拆解 #

你给出的计算代码已经包含了最小二乘参数标准误的完整推导：

std = np.sqrt(np.diagonal(np.linalg.inv(J.T @ J) * (res_lsq.fun.T @ res_lsq.fun / (res_lsq.fun.size - res_lsq.x.size))))

其中：

• res_lsq.fun.size：就是你疑惑的N，即数据点总数（对应每个观测值的残差数量，也就是拟合时输入的样本点个数）
• res_lsq.x.size：待拟合的参数个数（比如拟合直线y=ax+b时，参数数量为2）
• res_lsq.fun.T @ res_lsq.fun / (res_lsq.fun.size - res_lsq.x.size)：这是残差方差的无偏估计（用残差平方和除以自由度n-p，n是数据点数量，p是参数个数）
• np.linalg.inv(J.T @ J)：参数的协方差矩阵的核心部分
• 最终取对角线元素开平方，得到的就是每个拟合参数的标准误

关于SE = STD/sqrt(N)的误区 #

你记忆的这个公式是针对样本均值标准误的计算逻辑，不适用于最小二乘参数估计的场景。最小二乘参数的标准误是直接从协方差矩阵推导而来，已经包含了样本量、参数数量的校正，不需要再额外除以sqrt(N)。

内容的提问来源于stack exchange，提问作者Cal Ng