在数据可视化里，最不起眼也最危险的元素是误差棒（error bar）。它看起来只是一个 I 字形的小标记，但它的「人格」是分裂的——同一个数据点，你用它表示标准差、标准误（SEM），还是 95% 置信区间，读者看到的「显著性」和「稳定性」完全不同。

具体数字：假设样本量 n=5，标准差 SD=10。那么： - 标准差棒：±10（描述个体离散度） - 标准误棒：±10/√5 ≈ ±4.47（描述均值抽样分布） - 95% CI：±t₀.₀₂₅(4)×4.47 ≈ ±2.776×4.47 ≈ ±12.4（比 SD 棒还长！）

同一个实验，用 SEM 画图，两组误差棒几乎不重叠，读者直觉「差异显著」；用 95% CI 画图，误差棒大幅重叠，读者直觉「没差异」。而实际上，两组均值差异的 p 值完全一样。Cumming 等人的经典研究（2007）系统比较过这种「视觉推断」的误判率——用 SEM 重叠与否判断显著性，错误率超过 50%。

更糟的是，Nature 系列期刊的统计指南早已建议：要么画 95% CI，要么画 SD，并明确标注。但 Survey 显示仍有大量论文（尤其是生物学领域）默认用 SEM，因为它「看起来更漂亮、更显著」——这不是绘图偏好，这是学术不端的灰色地带。

我的建议：如果你只记住一件事，请记住——误差棒必须标注类型，且 SEM 只适合展示「均值估计的精度」，绝不适合展示「数据的离散程度」。如果两组 SEM 棒刚好不重叠，请务必用 t 检验或 Welch 检验确认，而不是凭眼睛下结论。

值得辩论的问题：期刊是否应该强制作者在图中标注误差棒类型，并把「未标注误差棒类型」视为类似「未报告样本量」的规范性违规？