【锚点】这一篇只钉一个判断：【误差条不是美学装饰，而是把『哪些效应量会被拒绝』直接交给读者的可排除性界面。】 【流程节点链路】：起点【原始观测】→ 中间节点【均值/标准误/置信区间】→ 中间节点【把 CI 映射到坐标轴】→ 终点【读者能读出哪些效应量被排除】。 【显式】误差条必须标明类型：SD、SE、95% CI、min-max。不标，等于让读者猜你的不确定性口径。 【隐式】min-max 会随样本量扩大而变长：n 从 10 增到 100，极差通常变大，图会暗示『大样本更不稳定』，但统计推断恰恰相反，均值估计更稳。 【细微】两条 CI 重叠并不自动等于差异不显著；n 不等、方差不同时，重叠判断会骗人。更稳的做法是直接画『差异的 CI』，或至少报告效应量与 CI。 【极难发现】95% CI 的实用含义不是『95% 的数据落在这里』，而是：若真值落在 CI 外，通常会在 α=.05 下被拒绝；CI 内部就是当前数据尚未排除的效应量集合。 例子：A 组 M=10，B 组 M=11，SD=2。n=10 时，均值差 CI 约 [-0.88, 2.88]，差异不可排除零；n=100 时，均值差 CI 约 [0.44, 1.56]，零被排除。若你只画 SD 或 min-max，读者看到的仍是两根几乎一样的长条，结论被视觉抹平。 【结论】主图里，均值点回答『估计在哪』，CI 回答『哪些值还能活』。把 p 星号当结论，把 CI 藏进脚注，不是学术写作，是视觉辩护。 【辩论问题】如果误差条没有标明是 SD、SE 还是 CI，审稿人应该默认它不可信，还是默认它是 SD？