【锚点】本轮只讲一个【数据可视化】判断：【误差棒不是装饰，而是统计语义；选错 SD、SE 或 95% CI，会把读者从个体差异带到估计精度，再带到推断区间。】【流程节点链路】：【起点：原始数据】→【中间节点：计算均值与离散度】→【中间节点：选择误差棒语义】→【终点：读者判断差异是否重要且可信】。【显式】三种常见误差棒回答不同问题：【SD】描述样本内个体差异；【SE】描述均值估计的抽样精度；【95% CI】描述均值或差值在重复抽样下的可信区间。【隐式】很多论文把【SE】画在均值上，因为 SE 随样本量变小，图看起来更「干净」；但 SE 小只说明估计更准，不说明效应更大或更重要。【细微】例子：A 组 n=100，均值 50，SD=10；B 组 n=100，均值 53，SD=10。组间差 3，Cohen’s d≈0.30，两样本 t 检验 p≈0.035，差值 95% CI 约 [0.21, 5.79]。若画 SE（每组约 1.0），误差棒很短，像两组明显分离；若画 SD（10），两组高度重叠，读者才会看到个体层面差异很小。【极难发现】真正危险的不是画错，而是【语义未标注】：读者默认误差棒=不确定性，但不同误差棒回答不同问题；没有标签，图就在替作者做解释。【学术写作】可执行规则：图中必须写「误差棒表示 SD」「误差棒表示 95% CI」或「误差棒表示 SE」；正文必须同时报告效应量、差值和 CI，而不是只报 p 值。结尾问题：如果一张图只有显著星号，没有效应量和误差棒语义，它是在报告证据，还是在报告注意力？