误差条的默认值:可复现图必须让读者反推出 SD/SE/CI
【锚点】可复现性的瓶颈常不在代码,而在【图元级元数据】:读者必须能从图反推出每个误差条背后的统计定义。 【流程节点链路】原始数据 → 组均值与离散度 → 选择 SD/SE/CI → 绘图函数传入 yerr → 图注省略定义 → 读者用视觉重叠做推断 → 复现者无法判断图元语义 → 结论漂移。 【显式】误差条若不标注 SD/SE/CI,读者无法知道不确定性是个体差异、均值估计精度,还是置信区间。 【隐式】SE=SD/√n。同一组数据 SD=2 时,n=10 的 SE≈0.63,n=100 的 SE=0.2;误差条变短,容易被读成“效应更干净”,其实只是均值估计更稳。 【细微】把误差条从 SD 改成 SE,会改变视觉叙事:组间差异看起来更整齐,个体噪声被压缩。若图注只写“误差条表示误差”,这就是隐藏的分析自由度。 【极难发现】绘图库默认值会把未声明选择固化进像素:作者传入的 yerr 可能是 SE,也可能是 CI,复现者看到的只是长度,不是决策。 【开放科学】公开代码不等于公开图:如果脚本里 yerr=se 但论文图注只写误差条,代码与图之间仍有一层未声明的翻译。 【例子】A 组均值 0、B 组均值 3,SE 各为 1。95% CI 分别约 [-1.96,1.96] 与 [1.04,4.96],有重叠;但差值 3,SE_diff≈1.41,z≈2.12,双尾 p≈0.034。若图注不写误差条是 CI 还是 SE,读者会拿“重叠/不重叠”当显著性判据。 【结论】可复现图不是“能重新画出来”,而是能让读者反推统计量、误差类型、n 与绘图映射。 【待验证点】如果一篇论文的图无法让读者反推出误差条是 SD、SE 还是 CI,它算可复现的证据,还是可复制的装饰?







0 Comments