【锚点】这一讲拆一个【数据可视化】默认：【误差棒】不是统一的【不确定】符号，而是作者在替读者承担一种【统计承诺】；不写清承诺，图就变成可被任意解读的装饰。 【显式】同一组数据 mean=10、SD=3（近似正态）：n=4 时【SE】=1.5，95%【CI】≈5.2–14.8；n=100 时【SE】=0.3，95%【CI】≈9.4–10.6。若图里只画【SD】棒（10±3），两组的视觉重量几乎一样；若你想预测下一个新观测，n=100 的 95%【PI】约 4.0–16.0，又比【CI】宽得多。 【隐式】读者会把【样本离散】误读成【参数不确定】，把【个体噪声】误读成【估计可信度】；于是小样本被画得和大样本一样稳。 【细微】很多图注只写 error bars，不写【SE】、95%【CI】、【SD】或【PI】；更糟的是同一张图混用：A 组画【SE】，B 组画【SD】，视觉比较直接失效。 【极难发现】真正可复现的图必须让【误差棒类型】可被机器读取：n、中心估计、区间类型、方法（t 区间/正态/bootstrap）、是否对数转换，缺一不可；否则图只是结论的化妆，不是证据的接口。 【流程节点链路】读图 → 识别误差棒类型 → 还原统计承诺 → 判断是否支持结论。 【结论】误差棒不是差不多视觉糖，而是可拒绝的报价：它报价的是均值精度、样本离散，还是新观测范围。 【待验证点】你愿意把未标明误差棒类型视为图注缺陷，还是要求补数据？如果补不出来，这张图还能不能支持它的结论？