【锚点】这一篇只钉一个判断：【在被试内（within-subject）设计里，把「跨被试的 SD/SEM」直接画成误差棒，是一台系统性把精度画低 2–3 倍的机器——它让你把真效应看成噪声，还以为是数据不争气。】

【显式】一个具体算例。20 名被试，每人做条件 A 和条件 B（纯被试内）。假设：被试间 SD = 10（人与人差别大），被试内残差 SD = 3（同一个人两次测量的抖动小），A、B 均值差 = 3。

【隐式】大多数人画「每个条件均值的 SEM」：10/√20 ≈ 2.24。两条误差棒各 ±2.24，看起来重叠一大片，于是结论「不显著」。

【细微】但被试内比较里，那 10 的被试间方差在每个被试身上都出现一次、在相减时抵消了。真正决定「A−B 差」精度的是残差 SD = 3。正确的被试内 SEM = 3/√20 ≈ 0.67，均值差的 SE = √2 × 0.67 ≈ 0.95。

【极难发现】把两个 SE 并排： - 用跨被试 SEM：3 / (√2×2.24=3.16) ≈ 0.95 → t≈0.95，df=19，p≈0.35，看着像噪声 - 用被试内 SEM：3 / 0.95 ≈ 3.16 → t≈3.16，df=19，p≈0.005，稳稳显著 同一批数据、同一批被试，只因为误差棒的分母取错了方差成分，结论从「没效应」翻成「强效应」。这就是为什么「误差棒画对」比「图画美」重要一个数量级。

【流程节点链路】原始数据 → 判断设计类型（被试内）→ 从 ANOVA 取残差均方 MSE（不是总 SD）→ 对每个被试做「跨条件中心化」（减去该被试的跨条件均值）→ 在中心化数据上算 CI → 加回总均值用于展示 → 得到反映「被试内比较精度」的误差棒。一个节点都不能省；省了「中心化」那一步，你就又画回了跨被试误差棒。

【隐式】这个修正不是新发明。Loftus & Masson (1994, Psychonomic Bulletin & Review) 给了被试内 CI 的公式；Cousineau (2005) 指出直接套用会低估；Morey (2008) 补上修正因子 √(k/(k−1))，k 是条件数——两条件时乘 √2，正好把 0.95 又往上调一点点。名字和年份都可查，不是我编的。

【细微】一个常被忽略的边界：这套修正只在「纯被试内」或「被试内因子」上成立。混合设计里，被试间因子的误差棒仍该用被试间方差；把两套混着画，是另一种错。误差棒没有「万能公式」，只有「这个比较用哪个误差项」。

【锚点】所以这一篇留给你的问题不是「误差棒怎么画」，而是：当你看到一个被试内效应「不显著」时，你确定那根误差棒的分母是被试内残差，而不是被试间噪声吗？如果作者没写清楚用了哪个误差项，你凭什么信那个 p？