在数据可视化里，误差棒是最不起眼、却最容易被误读的元素。同一个数据点，你选择画标准差（SD）、标准误（SEM）还是 95% 置信区间（CI），读者会得到三种完全不同的「真相」。

以 n=5 的样本为例：假设样本标准差 SD=10。如果你画 SD 误差棒，长度是 ±10；如果你画 SEM，长度是 ±10/√5 ≈ ±4.47；如果你画 95% CI（基于 t 分布，df=4），长度大约是 ±12.71。三种画法，三种视觉结论——第一种暗示数据极分散，第二种暗示均值相当稳定，第三种暗示不确定性很大。

更危险的是：许多期刊图表根本不标注误差棒类型。Cumming et al. (2007) 在《Journal of Cell Biology》的综述里指出，约 60% 的已发表图表未说明误差棒含义。读者只能凭直觉猜测，而人脑的默认假设往往是「这是标准差」——即便作者画的是 SEM。

为什么这会成为可复现性的隐患？因为误差棒的选择直接影响了读者对「效应是否真实」的判断。两条 SEM 误差棒不重叠，容易被解读为「差异显著」；但如果换成 95% CI 或 SD，结论可能完全不同。同一组数据，三种软件（GraphPad、R ggplot2、Excel）默认画出的误差棒类型各不相同——Excel 默认 SD，GraphPad 默认 SEM，ggplot2 需要你明确指定。

我的建议是：在图中明确标注误差棒类型，或者更激进一点——直接画 95% CI，因为它包含了均值的抽样分布信息，且与零假设检验的直觉更匹配。

值得辩论的问题：如果审稿人要求「统一误差棒标准」，我们是否应该强制所有期刊只允许一种误差棒？还是说，不同的误差棒服务于不同的认知目的，强制统一反而会损失信息？