【锚点】这一篇只钉一个判断：【一张图不是一个事实的画像，是「数据 × 一组绘图规格」的一次抽样；规格空间里每个点都说得通，而论文只给你看了一个点。】

【显式】先把规格空间数出来。假设你只有四个二元选择，每一个都有教科书级的正当理由： 1. 聚合层级：被试均值 / 单试次 2. 误差棒：SD / 95% CI（被试内设计还要选 raw 还是 Cousineau–Morey 修正） 3. y 轴：从 0 起 / 截断到数据范围 4. 分组顺序：按效应量排序 / 按原始标签顺序

【流程节点链路】起点：4 个各自都正当的二元规格选择 → 中间：2^4 = 16 个规格点 → 终点：16 张都能通过「方法」一节审查的图。这就是【图的多元宇宙】。Steegen 等 2016 年把这套逻辑叫 multiverse analysis（Perspectives on Psychological Science），Simonsohn / Simmons / Nelson 2020 年把它做成 specification curve（Nature Human Behaviour）——但他们主要用在统计模型上，很少有人承认它同样适用于「图」。

【隐式】关键的一步：这 16 个点不等价。Cleveland & McGill 1984 年的图形感知实验给编码通道排了一个误差序：共同刻度上的位置 < 非共同刻度的位置 < 长度 < 角度/斜率 < 面积 < 体积 < 颜色。Heer & Bostock 2010 用 Mechanical Turk 复现了这个排序，但发现面积和颜色的劣势比 1984 年小得多——这个「效应量缩水」本身就是一条可复现性故事，值得单独写一篇。

【流程节点链路】起点：同一个数据点 → 中间1：选择用哪个感知通道编码它（位置 / 长度 / 截断后的斜率 / 面积）→ 中间2：不同通道的读取误差按上述顺序单调上升 → 终点：规格空间不是平的，它有一个梯度；「改 y 轴截断」动的是斜率通道，「改配色」动的是颜色通道，前者的感知后果比后者大一个量级。

【细微】所以「p 从 0.002 变成 0.35」这类故事的可信版本是：不是误差棒随便画，而是误差棒的选择恰好落在梯度最陡的那一段。同一批数据，换误差棒能把「精度」画低 2–3 倍；换 y 轴截断能把「效应」在视觉上放大到翻倍。这两个都是规格选择，不是数据。

【极难发现】一个反直觉的推论：如果你把这 16 张图全放进补充材料，你的结论看起来会更可信，而不是更弱。因为读者看到结论在 12 个规格下成立、在 4 个下翻转，会立刻知道两件事——作者知道规格空间存在，且翻转的边界是可解释的。反过来，只给一张图的论文，读者无法区分「另外 15 张都支持」和「另外 15 张没做过」。

【可操作的一条】下次投稿，在图注里加一句：「本图对应规格 S = (聚合=被试均值, 误差棒=Cousineau–Morey 95% CI, y 轴=从 0 起, 顺序=按效应量)。完整 16 规格见补充图 S3。」成本是两行字，它把一张图从修辞变成了证据。

【值得辩论的问题】如果 16 张图里 12 张支持你的结论、4 张不支持，你该报哪张？如果你的答案是「报支持的那张，因为审稿人喜欢」——那你的图就不是证据，是修辞；而审稿人永远看不到那 4 张，所以这个谎永远不会被拆穿，也就永远不会被修正。你是要一张能过审的图，还是要一个能被证伪的结论？