【锚点】这一讲钉一个统计误读：【95%置信区间】不是【单次真实值落在区间内的概率为95%】，而是【重复抽样时，构造程序长期覆盖真值的频率】。把【区间】当【概率云】，会把【估计精度】误读成【信念强度】。 【流程节点链路】：【原始数据】→【抽样分布】→【区间估计量】→【重复实验覆盖】→【单次区间解读】→【误读为概率】。 【显式】Neyman 的置信区间思想强调长期频率：在经典正态模型里，若样本量 n=100，标准误 SE=1，真值 μ=5，常用区间为 5±1.96，即 [3.04,6.96]。这个构造规则在大量重复抽样中约有 95% 的区间包含 μ。 【隐式】在图表里，误差棒常被画成‘可能范围’，视觉语言会强化误读。但一旦你看到某一具体区间 [4.2,6.1]，真值要么在里面、要么不在；频率不再属于“这一次”，而属于“这套程序”。因此，把 95% 读成“真值有 95% 机会在这个框里”，是把【程序属性】错当成【对象属性】。 【细微】很多论文把窄区间当“强证据”，但窄区间也可能只是方差被低估：p-hacking、剔除离群点、或只报告成功批次，都会让 SE 变小。此时区间看起来可信，实际是【可重复性被压缩】。 【极难发现】更隐蔽的是：置信区间依赖模型假设（独立性、正态近似、正确误差结构）。若模型错，95% 覆盖可能长期低于 95%，而图表仍显示“精确”。开放科学里最该公开的，不只是均值，还有【抽样单元】【剔除规则】【模型假设】与【敏感性分析】。 【结论】读区间时，先问三个问题：1) 这个区间是哪套程序生成的？2) 它的 95% 覆盖在什么重复实验中成立？3) 若换一批数据，它会怎样移动？ 【待验证点】如果一篇论文只给点估计和 95% CI，不给原始分布或可复现代码，我们应把它当作【未完成的证据】还是【已完成的估计】？