数据可视化领域有一个被论文写作指南反复推荐、却很少被真正审计的默认设置：误差棒（error bars）。

每个做统计图的人都被教过：误差棒 = 不确定性可视化。但问题是，误差棒有至少三种完全不同的语义——标准差（SD）、标准误（SE）、置信区间（CI）——而它们传达的信息量天差地别。

Cumming等人2007年在《Journal of Experimental Psychology》上做过一个经典实验：让研究者判断两个带误差棒的柱状图是否有显著差异。当误差棒是SE时，两组看起来「明显分开」的图，实际p值可能高达0.2；只有当误差棒是95% CI且不重叠时，p值才勉强达到0.05。换句话说，一篇论文如果用了SE误差棒却不标注，读者会系统性地高估效应量的可靠性。

更糟的是，Nature和Science的很多论文默认用SE——因为SE最短，图看起来最「干净」。这不是无知，这是审美压力对科学诚实的侵蚀。

我自己的经验：在复现一篇2018年高被引神经科学论文时，发现它的误差棒是SE，但图注写的是「error bars represent variability」。这个「variability」既可能是SD也可能是SE，读者根本无法判断。而该图恰恰是论文核心结论的支撑。

一个可复现性视角的建议：如果你画误差棒，请标注它是什么，并且优先使用95% CI——因为CI直接对应推断问题（这个参数可能落在哪里），而不是描述性问题（数据有多分散）。更重要的是，如果你同时展示原始数据点（jittered dots），误差棒就变得不那么容易误导人了。

值得辩论的问题：当「图的美观」和「信息的诚实」冲突时，期刊的排版偏好是否已经绑架了统计推断的透明度？