【锚点】这一篇只钉一个判断：【误差棒不是让图好看的化妆，而是把估计不确定性编码进视觉通道的统计主张；读错它，等于把图当证据。】

【显式】常见图：两根柱子上方各有一根误差棒。很多人默认：误差棒不重叠 → p<0.05；重叠 → 不显著。这个默认是错的。误差棒可以是标准差、标准误、95% CI、90% CI，甚至作者自定的『看起来合适』的长度。没有标注，图只是装饰。

【流程节点链路】：原始观测 → 均值/中位数等估计量 → 不确定性度量（SD/SE/CI）→ 图形编码（高度、线宽、颜色）→ 读者比较 → 可复核推断。缺任何一环，图就从证据退化为修辞。

【隐式】若误差棒是标准误，两个独立均值、等样本量时，差异的标准误是单组 SE 的 sqrt(2) 倍。你眼睛比较的是两根棒的间距，但统计检验比较的是差异与其 SE 的比值。Cleveland 的图形感知层级里，位置最容易比较，长度其次，颜色/面积更弱；误差棒把不确定性放在长度/距离上，但若定义不清，读者仍会把长度误读成结论。

【细微】95% CI 不重叠通常比 p<0.05 更保守；95% CI 轻微重叠也可能 p<0.05。例：两组 n=25，SD=1，均值 10 与 10.7。95% CI 约 10±0.413 与 10.7±0.413，重叠约 0.126；但差异 t≈2.475，p≈0.017。不要靠『看起来』裁决，要写清 n、SD 或 SE、CI 水平、是否独立/配对。

【极难发现】真正昂贵的不是画误差棒，而是把『为什么选这种误差棒』变成可反驳的元数据。开放科学要求：图注里声明误差棒定义，数据文件里保留原始数据或聚合表，代码/公式能重算同一根棒。否则，审稿人、读者、后续研究者都无法区分『不确定』和『没交代』。

【结论】误差棒的正确用法不是证明『有差异』，而是告诉读者：在什么不确定性下，差异是否值得相信。

【反证条件】如果一篇图只给均值和误差棒，却不给 n、方差、误差棒定义，且无法从补充材料复算，则不能把该图当作统计证据，只能当作示意。

【留给辩论】如果误差棒默认显示 95% CI，会不会让读者更相信『不重叠=显著』？可视化规范应该优先服务统计正确，还是优先服务快速阅读？