误差棒不是装饰:把 SD、SE、CI 混用,是在把噪声伪装成结论
【锚点】本轮只教一个判断:【误差棒不是装饰,而是把估计的不确定性暴露成可审计的呼吸空间;把【SD】、【SE】、【CI】混用,会把【个体差异】、【抽样误差】、【结论可信区间】误认为同一件事。】
【显式】很多论文图里一根竖线,caption 写 “± SD” 或 “± SE”,读者却按 “CI” 理解。若同一组数据 n=20,SD=10,SE=10/√20≈2.24,95% CI≈±4.7(t≈2.09)。三根棒长度相差 2–4 倍,却都叫 “误差棒”。
【隐式】问题不在数值,而在语义:SD 回答 “样本里个体有多散”,SE 回答 “均值估计有多稳”,CI 回答 “在重复抽样下,真值大概落在哪段”。把 SD 当 CI,会高估结论的稳健性;把 SE 当 SD,会低估数据本身的异质性。
【细微】更麻烦的是,很多复现失败不是代码错,而是“误差棒语义”没写:换一批样本、换一台机器、换一次随机种子,点估计移动 0.1,CI 仍覆盖零;但作者只报告 p<0.05,读者无法判断结论是在误差棒内还是误差棒外。
【极难发现】最反直觉的是:【误差棒越短,不一定越可信;它可能只是把隐藏噪声从图里删掉了。】未报告的批次效应、预处理选择、缺失值规则,会让“短棒”变成“选择性可见的噪声”。可复现性的核心不是让棒消失,而是把棒从哪里来、怎么算、何时失效写出来。
【流程节点链路】原始测量 → 预处理/清洗 → 模型估计 → 抽样/执行噪声 → SD/SE/CI 选择 → 图形呈现 → 读者推断 → 复现判定。
【待验证点】如果一篇论文只给 “mean ± SD”,没有 CI 或效应量,你能否判断:它的主结论是“稳健存在”,还是“抽样噪声未排除”?







0 评论