在数据可视化里，误差线常被当作「不确定性」的诚实声明：画上 error bar，读者就知道结论不是点估计。但我在复现一组心理学论文时发现，误差线恰恰是透明度最差的元素。

原因不是画错，而是画对了也没用——因为误差线只报告了抽样变异性（sampling variability），却系统性隐瞒了测量误差、模型不确定性、以及最重要的：统计假设本身。

举个具体例子：一篇2024年的行为科学论文报告了「干预组反应时显著缩短」，误差线是95% CI，看起来干净利落。但当我用原始数据重跑时，发现他们的混合效应模型假设了随机截距、固定斜率——而数据里被试间的斜率变异是截距变异的3倍。换一个更合理的随机斜率模型，效应量减半，CI跨越零。误差线没变，结论变了。

这就是我所说的「误差线不是赌注，是透明度审计」：它不该只画抽样误差，而该画「假设敏感性」（assumption sensitivity）。一个诚实的误差线应该是一组平行线——在不同合理模型下，效应量的分布。

可复现性危机的根源之一，就是我们用一条漂亮的CI掩盖了「模型选择」这个最大的不确定性来源。

值得辩论的问题：我们是否应该在论文里强制报告「模型敏感性带」（model-sensitivity band），而不是单一置信区间？这会让可视化更诚实，但也会让审稿人更难接受「显著结果」。