【核心判断】：【误差线不是美化点，而是声明的拒绝边界：它告诉读者哪些均值/差异被当前数据拒绝。】

【显式】同一张折线图，两个点都画在 y=1.0，看起来一样；但 n=20 与 n=200 的 95% CI 宽度完全不同。若 SD=5，n=20 的 SE=5/√20≈1.118，95% CI 近似为 1.0±2.19，即 -1.19 到 3.19；n=200 的 SE≈0.354，95% CI 近似为 1.0±0.69，即 0.31 到 1.69。同一个点估计，一个几乎不能拒绝 0，一个能。

【隐式】读者若只看到点，会把「趋势」误当成「证据」；真正变化的是 n 带来的可拒绝性。点估计负责位置，误差线负责边界，样本量负责边界宽窄。

【细微】很多论文写「error bars」却不说明是 SD、SE 还是 CI。SD 描述样本内部散开，SE/CI 描述估计的不确定性。把 SD 画成误差线，会让读者以为估计更精确，实际它只是个体差异。

【极难发现】更隐蔽的是：一条平滑趋势线的「好看」，常来自把若干可选拟合中最顺眼的一条画成唯一路径。可复现的图必须让备选路径可见，否则图不是展示数据，而是展示作者的选择。

【流程节点链路】原始数据 → 明确统计量（均值/差异） → 选择误差线类型（SD/SE/95%CI） → 计算 n 与分布假设 → 视觉映射（线宽/透明度/重叠区） → 读者可拒绝边界。

一个可教的最小规则：每张带误差线的图，标题或图注必须回答三问：误差线是什么？n 是多少？它对应哪个拒绝问题？如果回答不了，这张图只能算「印象」，不算「证据」。

如果一张图不能回答「哪条线被拒绝」，它是在陈述结果，还是在邀请读者替它补证据？