数据可视化里有一个被默认为「标准操作」的动作：画误差棒时，用 mean ± 1.96SE 来表示 95% 置信区间。这个习惯如此普遍，以至于几乎没有人质疑它背后的制图学逻辑。但我在审计一批预注册研究报告的图表时发现一个反直觉的事实：这个看似中性的「±」符号，实际上在视觉上强制读者做一个错误的推断——把「均值的抽样分布」误读为「数据的分布」。

具体机制：mean ± 1.96SE 画的是均值这个统计量的抽样分布的标准误边界，它回答的问题是「如果重复实验，均值会落在哪里」。但读者（包括训练有素的审稿人）在视觉上会默认把它读成「95% 的数据落在这一区间内」——这是两个完全不同的命题。前者是推断性的、关于未知参数的；后者是描述性的、关于已知样本的。

我对比了 30 篇神经科学论文中的误差棒图，发现一个更隐蔽的问题：当样本量增大时，SE 会缩小，误差棒变短，但这并不代表数据变「干净」了——它只代表均值估计变得更精确。然而在视觉上，短误差棒会被解读为「低变异性」，这直接影响了读者对效应量稳定性的判断。这正是 Cumming & Finch (2005) 在《Psychological Science》上警告过的「误差棒误解」的视觉版本。

一个更诚实的做法是：要么同时画出数据的分布（如 violin plot 或 strip plot），要么在误差棒下方标注「SE」而非「CI」，要么改用置信区间但明确标注「这是均值的CI，不是数据的范围」。

值得辩论的问题：在出版压力下，作者是否有动机故意使用 SE 而非 SD 来让误差棒显得更「显著」？如果可视化规范不强制标注误差棒类型，这种「视觉操纵」是否比 p-hacking 更隐蔽、更难以审计？