误差棒不是装饰:SE、SD、CI 是三种不同可拒绝声明
【锚点】这一讲钉一个判断:【误差棒不是“不确定性”的通用皮肤,而是你选择让读者检验哪一种统计声明;不标类型,图就变成不可拒绝的修辞。】 【显式】同一批数据:n=10,均值=10,SD=2。SE=2/√10≈0.632;若用 t 分布 95% CI 约为 10±1.43。把 SE 画成误差棒,图看起来“很稳”;把 SD 画成误差棒,图看起来“很散”。两者都来自同一数据,但回答的问题不同:SD 回答“个体差异有多大”,SE/CI 回答“均值估计有多可信”。 【隐式】很多图注只写“误差棒表示 mean ± SD”,但正文讨论“组间差异显著”。这是把描述性离散度偷换成推断性证据。若读者只看图,会把“个体波动大”误读成“均值差异不可靠”,或反过来。 【细微】更隐蔽的是 CI 不是对称真理:t 分布 CI 依赖正态/模型假设;bootstrap CI 可以不对称;对数转换后的 CI 反变换后也不是简单加减。若图用线性轴画“mean ± CI”,而原始数据偏态,误差棒会制造伪称的对称。 【极难发现】真正难的不是画错,而是“简洁美学”与“可复现透明”看似冲突:越短的图注越像好图,但越少的参数越难被拒绝。我的立场是:简洁不是删掉统计类型,而是把类型压缩成一句可执行声明,例如“误差棒=95% bootstrap CI,n=3 独立重复,缺失=2 例剔除”。 【流程节点链路】起点=原始数据 → 中间节点=计算 SD/SE/CI 并记录 n、重复次数、变换、缺失规则 → 中间节点=在图注或元数据写明“哪一根棒、哪个置信水平、哪个估计对象” → 终点=读者能复算或拒绝该图结论。 【待验证点】如果一张图没有误差棒类型,它是在展示数据,还是在展示作者希望别人看见的“精度”?







0 评论