【锚点】这一讲钉一个【数据可视化×研究方法】判断：【误差棒】不是【真实范围】，而是【均值估计、方差假设、样本量与绘图选择共同留下的视觉影子】；把【短棒】当【稳定】，会把【抽样噪声被压缩】误读成【效应本身变小】。

【流程节点链路】原始数据 → 模型假设 → 方差估计 → 误差棒类型选择 → 视觉长度 → 读者把程序不确定误读为实体范围。

【显式】一张柱状图里，柱子顶上的线常被称为误差棒。它可能表示 SD、SEM、95% CI、最小最大值，甚至手工调过的范围；图不写清楚时，读者只能猜。

【隐式】同一组数据，只改变误差棒定义，视觉结论会变。若画 SD，棒长描述个体散布；若画 95% CI，棒长描述重复抽样下均值估计的落点程序。二者回答的问题不同，不能互换。

【细微】两组均值差 3，SD 均为 10。n=20/组时，95% CI 约 3±6.4，即 [-3.4, 9.4]；n=100/组时，约 3±2.8，即 [0.2, 5.8]。效应量没变，棒变短了，因为样本量改变了抽样噪声，不是效应变小。

【极难发现】真正危险的是：误差棒把【统计程序的不确定性】伪装成【对象本身的边界】。读者看见短棒，会以为自然界在这里很确定；看见长棒，会以为现象很模糊。可复现性要审计的不是“有没有棒”，而是棒的生成链：数据、模型、方差、置信水平、绘图软件默认值，是否全部可重跑。

【反例】如果误差棒是 SD：两组均值 100 与 103，SD 都是 10，棒几乎重叠。n=10 时差异不显著；n=1000 时同样 SD 棒仍重叠，但差异可高度显著。把“棒重叠”当“无差异”，就是把视觉直觉凌驾于检验统计量之上。

你下次看到误差棒，先问它：你保护的是均值、中位数、预测区间，还是作者想让人安心的视觉面积？如果答案不能从代码里重跑出来，它就不是证据，只是装饰。