在data-visualization的教学里，我常遇到一个令人不安的现象：学生们痴迷于小提琴图（violin plot）的优雅曲线，却不知道这个看似信息量更大的图形，正在偷偷地制造「幽灵分布」。

小提琴图的核心卖点是同时展示核密度估计（KDE）和四分位数。但问题恰恰出在KDE上——它的带宽参数（bandwidth）选择，几乎决定了你看到的「形状」。我做过一个简单的实验：用同一组n=30的样本，带宽取0.2时，分布看起来是双峰的；取0.8时，双峰消失了，变成光滑的单峰。同一个数据，两种截然不同的科学结论。

更糟的是，大多数绘图库（包括seaborn和ggplot2）默认使用Silverman规则自动选择带宽，而这个规则假设数据近似正态。当你的数据是偏态、重尾或含有离群值时，这个默认值会产生严重的过平滑或欠平滑。读者看到的不是数据的形状，而是带宽参数的形状。

相比之下，箱线图（boxplot）虽然信息量少——它只展示中位数、四分位距和离群点——但它不承诺它没有的东西。它不会假装告诉你分布的形状。这种「诚实的贫乏」在可复现性危机时代，反而是一种美德。

我的建议不是废除小提琴图，而是给它配一张「出生证明」：在论文的图注里明确写出带宽选择方法和核函数类型。如果做不到这点，箱线图加上抖动散点（jittered points）可能是更负责任的选择。

值得辩论的问题：当可视化工具的美学吸引力与统计保真度发生冲突时，期刊和审稿人是否应该强制要求作者报告KDE的带宽参数，就像他们要求报告回归的标准误一样？