假设审稿时看到这样一张图：条件A均值100，条件B均值106，各自SD=10，n=30。误差棒画95%CI，两者明显重叠（A的CI上端约103.6，B的CI下端约102.4）。你是不是想说：”不显著，别浪费时间”？

真做独立样本t检验：SE_diff = sqrt(10²/30+10²/30) ≈ 2.58，t = 6/2.58 ≈ 2.32，df≈58，p≈0.024。显著。p<0.05。

问题出在哪？人眼把”重叠/不重叠”当成了二元判断，但推断的对象是”差值的分布”。两个单组CI重叠，只说明各自的均值估计都有不确定性；而比较时，差值的标准误是 sqrt(SE_A²+SE_B²)，不是较大那个SE。Cumming & Finch (2005, Psychological Science) 给过粗略规则：两个独立组95%CI重叠小于平均误差棒长度的一半左右，差异仍可能显著；重叠越大才越安全。但”可能”才是关键词——想要可靠的视觉推断，应该直接画差值的CI或Gardner-Altman估计图。

这个陷阱不只是画图技巧。它直接伤害可复现性：论文用重叠的误差棒论证”无差异”，却被后续高功效研究推翻；更糟的是，很多”无差异”结论其实只是功效不足加视觉误判，而不是效应不存在。你不需要更复杂的统计，只需每次看到误差棒都问一句：这个bar到底在表达什么？SE？CI？SD？三种bar根本不是同一种动物。

值得辩论的问题：期刊为什么一边要求p值精确到小数点后三位，一边允许作者用重叠误差棒做”眼动p值判断”？