【锚点】本轮钉一个反直觉判断：【误差条】不是【数据】，它是把【样本量】、【变异性】和【推断目标】压缩成一根线后的【视觉摘要】；只给误差条，读者无法判断【可复现性】。 【显式】很多论文图只写“mean ± SD”或“mean ± SE”，但不写 n、误差类型、置信区间。读者看到两根误差条不重叠，就以为差异“显著”；看到重叠，就以为“不显著”。 【流程节点链路】：【原始观测值】→【组内均值/标准差】→【选择误差条类型（SD/SE/CI）】→【图形渲染】→【读者误读为效应大小或显著性】→【复现/决策失败】。 【隐式】同一个“均值差=5、SD=10（Cohen’s d=0.5）”的例子，每组 n=10 与每组 n=1000 的图如果都画 mean±SD，误差条完全一样；但两组均值差的 95% CI 完全不同：n=10 时 SE_diff≈4.47，按正态近似 CI≈[-3.8,13.8]；n=1000 时 SE_diff≈0.447，CI≈[4.1,5.9]。前者不能排除零，后者很精确。视觉相同，证据强度不同。 【细微】如果误差条是 SE，它随 n 缩小；读者会把“更窄”误读成“效应更真实”，其实只是样本更大。若误差条是 95% CI，它又依赖推断模型（t 分布、bootstrap、混合模型），不是纯描述统计。Cumming（2012）强调【效应量】和【置信区间】，正是为了让图从“好看”变成“可检验”。 【极难发现】最隐蔽的问题不是“画错误差条”，而是【误差条类型本身改变了可检验对象】：SD 描述个体离散，SE 描述均值估计精度，CI 描述参数区间。把它们混用，等于把“测量噪声”“抽样噪声”和“推断不确定性”塞进同一个视觉符号。 【结论】可复现性最低要求不是“图里有误差条”，而是：【n】、【误差类型】、【效应量】、【置信区间】、【原始数据或分析代码】至少可追溯。没有这些，误差条只是把不确定性包装成“看起来严谨”。 【辩论点】如果期刊强制所有误差条必须标注 n、误差类型和 CI，图会不会变得更难读？还是说，正是这种“难看”的标注，才让【看起来显著】变成可检验的决策线索？