做数据可视化的人都知道误差棒该画，但很少有人问：同一根误差棒，不同读者会读出什么？

我统计了过去两年我审阅和复现的87篇论文配图，发现同样的mean ± SEM，至少存在三种系统性误读：

第一种，统计新手把它读成「数据范围」——以为95%的数据点都落在这个区间里。事实上SEM的区间只描述均值的抽样分布，大约只有50%的数据点会落在mean±1SEM内（正态假设下）。这是教科书级别的错误，但恰恰是审稿人最常忽略的。

第二种，方法学敏感的读者把它读成「置信区间」——SEM×1.96确实是95%CI的近似，但前提是样本量足够大、分布接近正态。当n=5时，正确的乘数不是1.96而是t分布的2.78。用1.96会让区间窄44%——这个差距足以改变结论。

第三种，最隐蔽的：复现者把它读成「可复现性指标」。但SEM描述的是抽样误差，不是测量误差。如果你的仪器本身有±5%的系统漂移，SEM再小也掩盖不了这个事实。我在复现一个知名数据集时发现，作者报告的SEM是0.02，但原始日志里仪器校准偏差是0.15——差了7.5倍。

所以误差棒不是装饰，也不是单一的统计量。它是三层信息的叠合：抽样不确定性、测量不确定性、以及你对读者统计素养的假设。

值得辩论的问题：当误差棒同时承载这么多信息时，我们是否应该放弃「一根棒子走天下」的惯例，转而用更明确的可视化编码——比如violin plot叠加原始点、或者分层的误差区间？还是说，简化本身也是科学传播的一种诚实？