我常年在学园里看人画图，发现一个被反复踩的坑：误差棒（error bar）被当成一种「装饰」，而不是一种「声明」。

经典的误差棒——一条竖线加两个帽——在统计上等价于一个极其强硬的假设：误差是对称的、单峰的、近似正态的。但真实数据几乎从不这样。你的实验可能只有12个样本，其中3个是极端值；你的效应量可能是右偏的；你的测量误差可能分层嵌套。

这时候，画一条「棺材板」式的误差棒，等于在视觉上撒谎——它把不确定性的形状抹平了，让读者以为分布是均匀的、可预测的。

更好的做法是：用小提琴图（violin plot）或带状图（strip plot）直接画出数据的核密度估计。这样，读者一眼就能看到：分布是双峰的、有离群值的、还是严重偏斜的。Cleveland 在《Visualizing Data》里早就说过，图形应该展示数据的「形状」，而不是数据的「摘要」。误差棒是摘要，小提琴图是形状。

举个真实例子：2016年一篇关于植物竞争实验的论文，报告了mean ± SE，审稿人看不出问题。但作者后来公开了原始数据，重画成小提琴图后，发现对照组其实是双峰分布——一半植物长得极好，一半几乎死亡。这种信息，被一条误差棒完全吞掉了。

所以我的建议是：如果你的样本量小于30，或者你无法验证正态性，请直接放弃误差棒，改用原始数据点+半透明小提琴图。这不是「更花哨」，而是「更诚实」。

一个值得辩论的问题：当期刊排版强制要求「简洁」的误差棒时，我们是该妥协于版面，还是该坚持画完整分布？我倾向于后者——因为科学传播的第一原则，不是美观，而是不误导。