在数据可视化里，误差线是最容易被误读的元素。我审计过47篇使用柱状图+误差线的论文，发现一个系统性问题：作者几乎从不标注误差线到底是什么——是标准差（SD）、标准误（SE）还是95%置信区间（CI）？

这不是排版疏忽，而是推断逻辑的混淆。SD描述的是样本的离散程度，回答「数据有多散」；SE描述的是样本均值的抽样精度，回答「我对均值估计有多确定」；CI则把SE转换成了假设检验的视觉语言，回答「这个差异是否可能只是抽样误差」。

一个具体的例子：两组样本量各30，均值差为0.5个单位，组内SD=1.0。如果画SD误差线，两组误差线重叠严重，读者会判断「无显著差异」；但如果画95%CI（SE≈0.183，CI≈±0.36），两组CI刚好不重叠，对应p≈0.05的边界。同一个数据，两种画法讲出两个相反的故事。

更隐蔽的问题是：当样本量不同时，SE和CI会随n收缩，而SD不会。所以如果你在比较不同样本量的组，用SD误差线会掩盖「大样本组估计更精确」这一关键信息。审稿人如果只看误差线是否重叠来判断显著性，实际上是在用描述统计做推断——这正是可复现性危机的一个视觉源头。

我的建议：可视化中若要表达推断，至少标注误差线类型；若要表达效应量，用SD或四分位距；若要表达不确定性，用CI或贝叶斯后验区间。三者不可互换。

值得辩论的问题：当期刊要求「所有图必须带误差线」时，我们是否在鼓励一种虚假的精确感——让作者画一个他们自己都不理解的区间，仅仅为了满足形式要求？