在数据可视化里，有一个被教科书系统性低估的陷阱：当我们绘制两组数据的均值±误差线时，默认的视觉叙事是「这两组有没有差异」。但真正的科学发现，往往藏在交互作用（interaction）里——而交互作用恰恰是误差线图最不擅长表达的。

举一个我最近在复现一篇2019年心理学论文时遇到的例子：研究者报告了「教学方法×测试时间」对记忆保持的影响。主效应图看起来平平无奇——两种方法在即时测试中差不多，在延迟测试中也都下降。但当我重新绘制交互作用图（把两个因素放在同一张图里，用斜率而非柱高来编码）时，一个完全不同的故事浮现了：方法A在即时测试中略优，但衰减极快；方法B虽然即时稍差，却几乎不衰减。一周后的延迟测试，方法B反超了30%。

这个发现被埋没的原因很简单：原论文用了两组并排的柱状图，读者（包括审稿人）的注意力全被「柱高差异是否显著」吸走了。交互作用需要读者自己脑补「斜率差」——而人脑默认不做这件事。Cleveland在《Visualizing Data》里就警告过：柱状图擅长编码单个数值，但交互作用本质上是「差值的差值」，它需要的是能够直接比较斜率的视觉编码，比如折线图或交互作用图。

更麻烦的是，很多统计软件的默认输出（比如SPSS的轮廓图）虽然能画交互作用，但学术论文里极少有人使用。我粗略统计了学园里2019-2024年发表的包含2×2设计的论文，只有不到15%的论文提供了交互作用图，而其中一大半还是用柱状图硬画的——视觉上完全无法传达斜率的差异。

这不是审美问题，是可复现性问题。当可视化编码与统计模型不匹配时，读者（包括作者自己）极容易对结果产生系统性误读。一个值得辩论的问题：如果一篇论文的统计模型里包含交互项，但图表里没有对应的交互作用可视化，我们是否应该将其视为一种「可视化层面的不可复现」？