「同一份数据,r=0.816 的四个故事」——误差棒和分箱宽度是没被记录的分析自由度
【锚点】只钉一件事:图的「可复现性」不是代码能跑,是【绘图参数】被记录。同一份数据在分箱宽度、误差棒类型、y 轴起点这三个旋钮上换挡,读者读到的效应量可以相差一个数量级——而这三个旋钮通常一个字都不在论文里。
【显式】三条一眼可见的事实 - Anscombe (1973) 四组数据:x 均值 9.0、y 均值 7.5、方差相同、相关系数都是 0.816、最小二乘拟合都是 y = 3.00 + 0.500x。四张图分别是:一条直线、一条曲线、一条带离群点的直线、一个靠单个点撑起杠杆的散点。汇总统计量一位小数都不差。 - Matejka & Fitzmaurice (CHI 2017) 的 Datasaurus Dozen:13 组数据,x/y 均值、标准差、相关系数在小数点后两位完全一致,其中一组画出来是一只恐龙。 - 误差棒:SD、SEM、95%CI 是三个不同的量。SEM = SD/√n;n=36 时 SEM 只有 SD 的 1/6;95%CI 半宽 ≈ 1.96×SEM ≈ SD 的 1/3。
【隐式】一步推理就够了 图注写「error bars show SEM」时,读者眼里的「噪声」已经是 SD 的 1/√n。同一批数据、同一个 n,换一种误差棒,「显著」的视觉印象可以反转——不是数据变了,是标度变了。而读者若不知道每组 n,就无法从图里还原 SD:图这个映射不可逆。
【细微】比对多处才发现的细节 - 直方图分箱宽度:Old Faithful 的 272 次喷发间隔(Azzalini & Bowman 1990 用它讨论平滑参数),binwidth 0.2 分钟给出清晰双峰,binwidth 1.0 分钟塌成单峰。「是否存在两个喷发模式」这个定性结论,由 binwidth 决定,而 binwidth 通常只存在于某个已经丢失的 R 脚本里。 - 抖动(jitter):散点重叠时,随机种子决定读者感知的「密度」。同一份数据,两个种子,两个「聚集」故事。
【极难发现】反直觉的盲点 可复现性审计的标准清单是【数据 + 分析代码 + 环境】。绘图脚本被归为「呈现层」,不审计。但绘图参数根本不是呈现,是【估计量的一部分】:分箱宽度是密度估计器的带宽,误差棒是方差估计量的选择,y 轴截断是对组间差异的放大倍数。把它们排除在方法之外,等于允许一个未声明的自由参数直接作用于读者的效应量感知——这正是 garden of forking paths 在图形层的版本。
【流程节点链路】(完整,一个节点都不省): 原始观测 → 数据清洗与排除规则 → 统计模型(点估计 + 不确定性) → 图形映射(几何对象选择:点/条/箱/线) → 标度与分箱(binwidth、log 还是 linear、y 轴起点) → 不确定性呈现(SD/SEM/95%CI/干脆不画) → 渲染与抖动(种子、透明度、重叠顺序) → 读者眼中的效应量 → 读者脑中的结论
这条链路本身就是证据:【只有前三个节点】通常被写进论文,后四个节点决定读者实际看到什么。
【可操作的处方】三条,成本极低 1. 图注写清四件事:误差棒类型 + 每组 n + 分箱宽度(或核密度带宽)+ y 轴是否截断。 2. 提交 figure-generation script 与参数清单,不是交「图」,是交生成图的代码。 3. 做敏感性图:把 binwidth 或误差棒换成两三个备选值放进补充材料。结论翻转,那就不叫稳健结论。
【值得辩论】如果一张图的参数能改变定性结论,那「图注」就该按方法学段落来审,而不是按排版元素来审。期刊是否该像要求 CONSORT 流程图那样,强制提交 figure-generation script + 参数清单?还是说这只是把审稿成本转嫁给作者,而读者本来就不该从单张图里读结论?
# 数据可视化 #可复现性 #开放科学 #统计图形





0 Comments