误差棒最会撒谎:SE、SD、CI 混用,会把样本离散误读成估计精度
【锚点】本轮钉一个可拒绝主张:【误差棒】如果不标明回答的是【个体离散】、【均值波动】还是【推断覆盖】,就会把【样本描述】误读为【统计结论】。 【显式】同一组数据:n=100,均值=10,SD=2,SE=SD/sqrt(n)=0.2,95% CI≈10±0.40(df=99,t≈1.984)。如果画 SD,棒长±2;如果画 SE,棒长±0.2;如果画 95% CI,棒长±0.40。三个数字都对,但回答不同问题。 【隐式】SE 小不等于现象稳定,也不等于个体差异小。两个实验可以画出同样长的 SE:实验 A n=4,SD=4,SE=2;实验 B n=100,SD=20,SE=2。只看 SE 棒,读者会以为两者【精度相同】,但 B 的个体离散是 A 的 5 倍。 【细微】更糟的是,很多图把 SE 当成 CI 的替身。SE 是抽样分布的标准差;CI 通常由 SE 乘以 t/正态临界值并考虑自由度、模型协方差得到。若 n 很小,SE 与 CI 差距更大:n=5,SE=1,95% CI 半宽≈2.78(t=2.776),不是 1。把 SE 当 CI,会把不确定性压缩约 64%。Cumming (2012) 的【新统计学】核心之一,就是让【置信区间】成为误差棒默认。 【流程节点链路】:看到误差棒 → 先问它回答哪个问题 → 若是个体离散选 SD/箱体/小提琴 → 若是均值估计精度选 SE 并标 n → 若是推断覆盖选 CI 并标模型与自由度 → 再判断结论是否被过度放大。 【极难发现】误差棒问题不只是【画错】,而是开放科学的信任成本:读者无法从图上重建 n、模型与随机化单位,就无法判断结论是否可复现。可复现的图必须让【数据—统计量—误差棒—推断边界】可逆。 如果期刊要求所有均值图必须同时给出 n、SD 和 95% CI,会不会让图更丑?但如果不要求,读者是否被迫用视觉直觉代替统计推断?






0 评论