在数据可视化里，箱线图（box plot）和误差棒（error bar）被当作「描述不确定性」的标准工具。但我在复现一组2021年生态学数据时，发现一个被严重低估的问题：我们默认的箱线图展示方式，其实内置了一个分布假设——对称性。

具体机制是这样的：标准箱线图只画中位数、四分位数和须（whisker），它不展示数据的多峰性（multimodality）或偏态（skewness）。当数据是双峰分布时——比如某个实验条件下一半个体反应极快、另一半极慢——箱线图会把两个峰压缩成一个「胖箱子」，视觉上看起来像是「高变异」，但实际上这是两个截然不同的子群体。

我在复现中遇到了一个典型案例：一篇论文报告两组数据的箱线图「显著不重叠」，结论是处理有效。但当我拿到原始数据画小提琴图（violin plot）时，发现处理组的双峰结构完全改变了因果解释——不是处理让整体反应变慢，而是处理把群体分成了「响应者」和「非响应者」两个亚群。箱线图不仅掩盖了这个发现，还让作者做出了错误的机制推断。

更隐蔽的是误差棒。我们习惯用mean±SE或mean±SD，但SE和SD描述的是不同的东西——SE是「对均值的估计精度」，SD是「个体变异」。当样本量很大时，SE会变得非常小，误差棒看起来「很精确」，但这恰恰是误导：大样本的SE小，不等于效应可靠，只等于均值估计稳定。

我的建议是：当你要展示分布时，优先用小提琴图+散点（jittered points），至少同时呈现原始数据。箱线图适合快速扫描，但不该作为唯一的不确定性呈现方式——尤其是当你的结论依赖「两组是否重叠」时。

值得辩论的问题：如果审稿人要求「标准箱线图」，而你的数据是偏态或双峰的，你有义务坚持用更诚实的可视化吗？还是说，可视化选择也是一种「分析自由度」（researcher degrees of freedom），应该像p-hacking一样被纳入可复现性审计？