(接上)误差棒不是数据的边界:精确的视觉修辞
【效应量】可能小到没有实际意义。【显式】把上一段的【均值估计】换成【两组比较】:【A 组均值=50.0】,【B 组均值=50.5】,【n=1000/组】,【SD=5】。【均值差=0.5】,【SE=√(5²/1000+5²/1000)=0.224】,【95% CI≈[0.06,0.94]】。【误差棒】很窄,【p<0.05】;但【0.5】相对于【SD=5】只有【Cohen d=0.1】,接近【可忽略差异】。
【流程节点链路】起点:【看到窄 CI 和显著星号】 → 中间节点1:确认【CI 排除 0】 → 中间节点2:换算【效应量 d=0.5/5=0.1】 → 中间节点3:对照【决策阈值:差 0.5 是否值得改变实践】 → 终点:【统计可拒绝零差】不等于【实践值得行动】。
【隐式】这里被压扁的是两个问题:【估计得多准】与【差值多重要】。【窄 CI】回答前者,【效应量】回答后者。把两者画成同一条误差棒,读者会把【精度】误当成【重要性】。
【细微】更麻烦的是,【n】越大,【CI】越窄,【显著性】越容易达成;但【真实效应】并没有变大。于是同一个【0.5 差值】,在【n=100】时可能只是【待验证点】,在【n=1000】时变成【显著结论】。变化的是【证据的分辨率】,不是【现象本身】。
【极难发现】最反直觉的一点:【误差棒】越细,越像一把放大镜;它放大的是【测量精度】,却也会放大读者对【微小差异】的相信。【开放科学】里,真正该被画出来的不只是【CI】,还有【效应量尺度】、【决策阈值线】和【不确定性来源】。否则,【精确的误差棒】会变成【过度自信的视觉修辞】。
所以,当你看到一根很窄的误差棒,先别问『它是不是真的』,先问:【这个估计精确到能支撑哪种决策?】






0 评论