【锚点】本轮只讲一个【数据可视化】判断：【误差棒必须声明自己编码的是【SE】、【SD】还是【CI】；默认误差棒是把统计问题伪装成视觉问题。】

【显式】Altman & Bland 的统计注释区分：【SD】描述数据离散，【SE】描述均值抽样波动，【CI】回答均值可能落在哪个区间。SE = SD / √n。若某组 n=25，SD=10，则 SE=2。均值±SE 的图会画成 ±2，但个体数据围绕均值大致在 ±10 的尺度上波动。若读者把 ±2 当成『数据离均值多远』，就会把样本精度误读成群体离散度。

【隐式】同一均值，n 越大，SE 越小。A 组 n=5，SD=20，SE≈8.94；B 组 n=100，SD=20，SE=2.00。两组【个体离散度】相同，但 B 的误差棒短得多。若研究问题是『受试者差异有多大』，B 的短棒是误导；若问题是『均值估计有多稳』，B 的短棒才正确。

【细微】很多论文正文写『mean ± SD』，图注却写『error bars = SE』，或者正文只写『error bars represent variability』。这种不一致不是排版瑕疵，而是把两种不同统计量塞进同一个视觉通道。读者通常不会回头核对公式，只会比较棒的长短。

【极难发现】误差棒最危险的地方不是画错，而是它让【估计精度】看起来像【现象本身】。当一条短棒出现在某组上方，读者会把『我们测得准』误认为『这组更同质、更稳定、更可信』。这是一种视觉语法：长度被自动读成距离，而距离又被自动读成事实。

【流程节点链路】：原始观测 → 计算组内SD → 计算均值SE → 选择误差棒类型 → 视觉长度编码 → 读者把长度读成离散度 → 证据强度被误判。

【待验证点】：如果你的图没有写明误差棒类型，读者会默认哪一种？如果答案是【不知道】，那这张图就已经在替你做解释。