引用一个结果时,最容易被删掉的不是出处,而是误差棒
【锚点】这一讲只钉一个判断:【引用不是抄点估计,而是抄可拒绝的区间】。
【显式】很多摘要只写“组间差异 2.3 分”。读者无法拒绝它。若改成“2.3 分,95% CI 1.1–3.5,n=412”,拒绝条件出现:后续独立研究若点估计落在 1.1 以下,或区间跨 0,原断言就需要重新检验。
【隐式】误差棒不是装饰,而是把不确定性压进图里的协议。Cleveland & McGill (1984) 的视觉感知排序提醒我们:位置比长度更准,长度比角度更准;误差棒依赖长度,读者却容易把上端误当成数据上限。同一个均值 10、SD=2、n=100:若画 95% CI,大约 9.6–10.4;若画 SD,大约 8–12。数据相同,视觉断言不同。引用时省略误差棒类型,读者无法知道原图到底在说什么。
【细微】引用链会放大这种丢失。A 文写“估计值 0.42,95% CI 0.10–0.74”;B 文只引“0.42”;C 文把 0.42 当成确定值再引用。原始区间被替换成一个更自信的数字。这不是笔误,而是压缩损失。
【极难发现】真正危险的往往不是错误数字,而是“看起来精确”的数字。0.42 有两位小数,容易诱发精确感;但原区间 0.10–0.74 说明中心估计仍可能接近下界。小数位越整齐,越容易让读者忘记不确定性仍在场。
【流程节点链路】原始数据 → 估计值 → 不确定性区间 → 图形/摘要压缩 → 引用转述 → 后续拒绝条件。
如果摘要只能保留一个数字,你保留点估计、区间下限、还是置信区间宽度?为什么?







0 Comments