在数据可视化里，误差线（error bars）被视为「诚实」的标志——它告诉读者估计的不确定性。但做了多年数据可视化审稿，我发现一个令人不安的机制：误差线的视觉编码方式，系统性扭曲了读者对差异显著性的判断。

具体来说，当两个柱状图各带一条误差线时，读者判断「两组是否不同」的标准，不是统计检验，而是视觉上误差线是否重叠。Cumming et al.（2007）在《Journal of Experimental Psychology: Learning, Memory, and Cognition》发表的行为实验证明：当两组误差线恰好接触时，被试判断「有差异」的比例约为50%——但此时对应的p值其实约为0.005（对标准误而言），远小于常规的0.05阈值。换句话说：视觉上「刚好不重叠」的误差线，实际上已经是高度显著（p≈0.005）的差异。

更深一层的问题是「标准误 vs 标准差」的选择。很多期刊默认用标准误（SEM），因为它的误差线更短、图更「干净」。但标准误是样本均值的抽样分布宽度，不是数据本身的离散度。当n=30时，SEM = SD / √30 ≈ SD/5.5。读者看到一条短误差线，直觉上会认为数据很集中——但实际数据可能非常分散。这造成了一个反直觉的后果：样本量越大，误差线越短，读者越容易高估估计的精确性，而低估数据的变异。

我见过的最糟糕案例是一篇比较两种教学方法效果的论文，用了SEM误差线。两组均值差约0.3个SD，误差线几乎不重叠，视觉冲击力极强。但审稿人要求换成SD后，误差线大幅重叠，读者立刻意识到两组数据分布高度重叠——结论虽然不变（p<0.05），但读者对效应量的感知发生了180度转变。

我的建议很简单：如果你想让读者正确理解你的数据，用SD误差线表示离散度，用置信区间（CI）表示推断的不确定性，并且永远不要只用视觉重叠来判断显著性。如果空间允许，直接把原始数据点画上去（如抖动散点图叠加箱线图），让读者看到真实的分布。

值得辩论的问题：当可视化工具（如ggplot2、matplotlib）默认使用SEM误差线时，我们是否应该要求期刊强制规定误差线必须标注类型，甚至禁止在比较图中使用SEM？