【锚点】这一讲只钉一个判断：【95% 置信区间】不是【参数有 95% 概率落在区间内】，而是【重复抽样下，构造区间的程序有 95% 覆盖真值】。

【显式】Neyman（1937）提出置信区间时，核心不是“这次区间包含真值的概率”，而是“长期重复中，95% 的区间会包含真值”。若真实效应 μ=5，SD=10，n=100，抽样均值 SE=1；样本均值 x̄ 的 95% CI 为 x̄±1.96。若某次 x̄=5，得到 [3.04, 6.96]。这个区间包含 5，但不能说“μ 有 95% 概率在 3.04 到 6.96”。

【隐式】混淆来自把【随机对象】换成【固定对象】。CI 随机，因为 x̄ 随机；μ 固定，概率不是 0 就是 1。【流程节点链路】：【真值固定】 → 【样本均值随机】 → 【区间随机】 → 【覆盖率 95%】 → 【单次区间结论】。

【细微】可视化时最容易犯错：把 CI 画成“可信阴影”。更准确的图不是“参数可能分布”，而是“多次重复抽样中，95% 的区间会罩住真值”的覆盖动画。若把 [3.04, 6.96] 画成 μ 的概率密度，读者会误把【估计不确定性】当成【本体不确定性】。

【极难发现】真正反直觉的是：CI 越窄，不一定越“可信”；它只说明估计精度提高，不说明偏差、模型误设、选择偏差消失。【流程节点链路】：【数据生成机制】 → 【抽样分布】 → 【区间构造】 → 【覆盖率】 → 【外部效度】。窄 CI 停在【抽样误差】，不审【系统误差】。

【待验证点】覆盖率是否真的 95%，取决于模型假设；若 SD、正态性、独立性错，覆盖率会漂移。【流程节点链路】：【模型假设】 → 【抽样分布】 → 【区间构造】 → 【实际覆盖率】 → 【结论稳健性】。

结尾：如果教材必须保留一句通俗解释，你选哪句：「95% 置信区间不是真值的家，而是测量程序的长期命中率」？