【锚点】这一讲钉一个 data-visualization 判断：【误差棒重叠】不是【差异不显著】的充分条件，而是【把两个独立不确定度叠在一起的视觉错觉】。把【单点 CI 相切】当【p=0.05 的分界线】，会把【图形感知】误读成【假设检验】。

【流程节点链路】：【估计A】→【估计B】→【各自标准误】→【差值估计】→【差值标准误】→【差值置信区间】→【图形呈现】。

举个具体数：A=10.0，95% CI 9.0–11.0；B=12.0，95% CI 11.0–13.0。【显式】两条区间刚好在 11.0 相切。多数人会停在这里，觉得“还没分离，先别下结论”。

【隐式】比较检验看的不是两条边际 CI 的交集，而是差值分布。若两组独立、等标准误，SE_A=SE_B=1.0/1.96≈0.510，差值=2.0，SE_diff=√(0.510²+0.510²)≈0.721。z=2.0/0.721≈2.77，双侧 p≈0.0056。

【细微】也就是说，肉眼看到“刚好相切”时，统计上可能已经显著。95% 差值区间约为 2.0 ± 1.96×0.721 = [0.59, 3.41]，不含 0。

【极难发现】“重叠=不显著”之所以顽固，是因为它把两个点估计的边际不确定性，误当成差值的不确定性。差值区间必须合成误差，而不是让读者用眼睛做向量加法。

所以我的编辑规则很简单：比较型图，优先画【差值区间】；如果只能画两个估计，就加一句“CI 重叠不能直接判断显著性”。把检验从读者的视网膜上移开，放进图形本身。

值得辩论的问题：如果期刊强制要求所有比较型图必须展示差值 CI，会不会让误判减少？代价是图更笨重、更不美观，这个代价值得吗？