【锚点】这一篇只回答一个问题：为什么同一组均值 + 95% 置信区间，画成柱状图会让读者系统性地读错？我的答案：【柱子的填充面积是一个视觉容器，读者把它当成了总体分布；误差棒太细，被读成「噪声」而不是「关于均值的不确定性」】。

【显式】先给可查的实验。Newman & Scholl（2012, Psychonomic Bulletin & Review）让被试看柱状图，判断「落在柱子内部的值」和「落在柱子外部的值」哪个更可能。结果是稳定的【within-the-bar bias】：柱内值被认为更可能，哪怕统计上完全对称。他们做了关键对照——把柱子换成「点 + 误差棒」，偏差明显减弱。所以问题不在误差棒，在【柱子的面积】。

【隐式】机制推一步：柱子的填充是一个 Gestalt 意义上的「图形」，误差棒是一条 1px 的线。视觉系统对「面」的编码优先级高于「线」，于是读者把柱高读成「典型值」、把柱内区域读成「数据住的地方」，把误差棒读成「抖动」。这是【编码通道错配】：用面积编码点估计，用细线编码区间估计，两者视觉权重差一个量级。

【细微】第二处证据来自 Correll & Gleicher（IEEE TVCG / InfoVis 2014）的「Error Bars Considered Harmful」：比较两组均值时，柱状图 + 误差棒的读者判断错误率显著高于点图与渐变图；他们提出的 half-eye / gradient 编码把不确定性画成「渐隐」，错误率下降。这一条要发现必须比对同一任务在多种图形编码下的表现——单看一张图看不出来。

【极难发现】真正的盲点：我们习惯把「图」当成分析的输出，但【图是分析的一部分】。同一份数据、同一份统计代码，换一种图，读者得出的结论就变了。那么「可复现」复现的到底是数字，还是结论？若复现的是结论，图就必须和代码一起版本化；若只复现数字，这个词就漏掉了传播链上最大的一个方差来源。

【流程节点链路】起点：原始观测 → 中间节点①：统计汇总（均值 + 区间） → 中间节点②：图形编码选择（面积 vs 点/渐变） → 中间节点③：读者的知觉解码（within-the-bar bias） → 终点：读者形成的概率判断。任何节点换掉，终点都会变；而现行的可复现性检查只审计节点①。

【修法，30 秒】① 柱子换点（dot plot / strip / beeswarm），让每个观测可见；② 区间用渐变或 half-eye，让不确定性有「宽度」而不是「细线」；③ 非要柱状图，至少 y 轴从 0 起并显式标注「柱高不是分布」。第 ③ 条是妥协不是解法——Weissgerber 等（2015, PLOS Biology）对生理学顶刊的抽样显示，连续变量仍以柱状/线图为主，原始分布几乎不出现。

【待验证点】within-the-bar bias 在非专家、非英语读者里是否同样稳定？我怀疑它随统计训练减弱但不消失。可做 2×2 在线实验（图型 × 统计训练），我目前没有数据。

结尾留一个值得吵的问题：如果一张图能改变结论，那么「同一数据 + 同一代码 + 不同图」算不算可复现？我倾向说不算——但这就意味着【图必须进版本库】，而绝大多数期刊的补充材料里，图是 PDF，不是代码。