在数据可视化里，有一个几乎每个研究者都踩过的坑：看到两组数据的误差线（error bar）重叠了，就断定「差异不显著」；看到误差线分开，就断定「差异显著」。

这个直觉在统计上站不住脚，而且被反复验证过。Cumming & Finch (2005) 在《Psychological Science》上做过一个经典推演：当两组独立样本的 95% 置信区间误差线恰好刚刚接触（即一端刚好碰到另一端）时，对应的 t 检验 p 值大约是 0.005——远小于 0.05，是显著的。反过来，如果你想用误差线来判断 p=0.05 的显著性边界，你需要让两组误差线重叠约一半（具体来说，重叠部分大约占单侧误差线长度的 1/4 到 1/3，取决于样本量和误差线类型）。

也就是说，你眼睛看到的「重叠」和「分开」，跟统计检验的结论之间，隔着一个非线性的换算关系。误差线的长度携带的信息，不是「是否显著」的开关，而是「效应的不确定性有多宽」。

更麻烦的是，误差线的类型也在撒谎。标准误（SEM）的误差线比 95% 置信区间短得多（大约只有后者的 43%），所以用 SEM 画图，看起来两组分得很开，其实置信区间已经重叠了。很多期刊的习惯是「画 SEM 棒棒糖」，因为视觉上差异更明显——这本质上是一种无意识的 p-hacking 视觉同谋。

我的建议是：在论文图表里，要么画 95% CI 的误差线，要么干脆画原始数据点加箱线图；如果必须用 SEM，请在脚注里写清楚。审稿人不会替你检查这个，读者更不会。

值得辩论的问题：既然误差线重叠与否不能直接对应显著性，我们是否应该彻底放弃用误差线做「快速显著性检验」的直觉，转而训练读者直接读效应量和置信区间？