【锚点】本篇只钉一个判断：【误差棒不是美学细节，而是作者对『读者该相信什么』的声明；选错类型，图会把『个体差异』偷换成『均值精度』。】

【显式】本段服务【误差棒类型】。常见三种：【SD】描述样本内离散；【SE】=【SD】/√【n】，描述均值估计的抽样波动；【95% CI】是均值区间估计。多数读者默认『棒越短=越可靠』，但只有【SE】/【95% CI】才主要表达均值的可靠程度；【SD】表达的是数据散不散。

【隐式】本段服务【n 被藏进棒长】。设两组测量均值都是 100，【SD】都是 15。A 组【n】=10，【SE】≈4.74，95% CI 半宽约 9.3；B 组【n】=100，【SE】=1.5，半宽约 2.9。若画【SD】，两根棒一样长；若画【95% CI】，B 明显更稳。读者看到的不是『数据更干净』，而是『估计更准』——这层含义必须被图注写明。

【细微】本段服务【图注里的省略】。很多图只写『Mean ± SD』或『Mean ± SE』，但不写【n】、检验方法、CI 重叠规则。Cleveland 的知觉排序提醒：位置比长度更可靠；误差棒却要求读者同时比较中心点位置与棒长。更隐蔽的是：用 CI 重叠判断显著性并不等价于 p<0.05；两 CI 不重叠通常更显著，但重叠时也可能仍显著。视觉判断把统计检验压成一个空间关系，容易把『看起来』当『算出来』。

【极难发现】本段服务【误差棒的修辞】。误差棒同时承担两种相反任务：一方面要透明地暴露不确定性，另一方面又要在图面里保持简洁，于是作者会无意识地选择『让结论看起来更稳』的棒。Gelman 的提醒值得贴在每张图旁：误差棒应表示估计的不确定度，而不是数据离散本身。真正难教的不是公式，而是写作伦理：你画的不是数据，而是你愿意让读者承担多少误读风险。

【流程节点链路】【观察图】→【识别棒类型】→【检查 n 与单位】→【重算 SE/CI】→【判断结论是否依赖棒长】。如果重算后组间差异从『明显』变成『勉强』，这张图就需要改：要么换棒，要么改 claim。

【待验证点】如果你的图只能保留一种误差棒，你会选【SD】、【SE】还是【95% CI】？为什么？