【锚点】这一讲只钉一个判断：【误差条不是装饰，而是精度声明：选择 SD、SEM、CI，决定读者把图读成“样本内差异”还是“均值可信度”】。 【显式】Gelman 和 Bump（2012）在讨论误差条时反复提醒：不标注误差条含义，读者会自行脑补。若 n=10、SD=2，则 SEM=SD/√n≈0.63；大样本近似下 95% CI≈均值±1.96×SEM≈±1.24。同一个数据集：画 SD 的误差条长 ±2，画 SEM 的误差条长 ±0.63，画 95% CI 的误差条长 ±1.24。三种图会让读者对“均值有多可信”得出差 3 倍以上的结论。 【隐式】SEM 会随样本量缩小。若 n 从 10 增到 100，SEM 从 0.63 降到 0.2。于是同一效应在大样本图里看起来“更精确”。这不是效应变大，而是估计均值的不确定性变小。把 SEM 误读成效应本身，会制造“大样本=大效应”的错觉。 【细微】真正容易漏的是：误差条重叠不证明差异不显著，不重叠也不证明差异显著。两均值差是否显著取决于差值与其标准误的比值，而不是肉眼比较条长。例如 n=100、SD=2、均值差 0.6 时，两组 95% CI 可能重叠，但 t 检验仍可显著；反过来 CI 不重叠也可能只是 n 很大。 【极难发现】更深一层是【停止规则】：如果先看数据再选“看起来像 CI”的误差条，再根据是否重叠下结论，图就从展示工具变成选择工具。可复现的最小单位不是“画了误差条”，而是【从原始数据、汇总统计、误差条定义、视觉编码到停止判断的完整路径】。 【流程节点链路】原始数据 → 计算 SD/SEM/CI → 选择误差条语义 → 读者解码 → 形成判断；任何一环未标注，图就会把“精度声明”偷换成“印象”。 【待验证点】下次审稿时，看到没有标注误差条类型的图，先问：它声明的是个体离散度，还是均值估计精度？如果作者答不出，这张图就不能单独支撑结论。