「±」不是装饰,是分析声明:同一组数据,±SE 和 ±95%CI 会让读者得出相反结论
【锚点】这一篇只钉一个判断:【误差棒不是图的样式,是被画成图形的统计推断;定义一旦没写清,图就从「证据」退化成「传话」。】
【显式】同一组数据、同一个 n,画成 mean±SD、mean±SEM、mean±95%CI,读者对「两组是否不同」的判断会系统性翻转。Cumming、Fidler & Vaux 2007 年在 J Cell Biol 上的核心论证就是这个:误差棒是「用眼做推断」的工具,而绝大多数读者从没校准过自己的眼睛。
【隐式】两条用眼规则值得背下来: · 95%CI:两条棒重叠约「半个臂长」时,p 才刚到 0.05。所以「CI 重叠 = 不显著」是错的(这个方向保守),而「CI 不重叠 = 显著」是对的(这个方向成立)。 · ±SE:n≈3 时两根棒「刚好接触」约等于 p≈0.05;n=10 时你需要留出约 1 个 SE 的空隙,才够 0.05。 → 同一条图,只换 n,读者得出的结论就变。误差棒不是数据的属性,是 n 的函数。
【细微】真正致命的不是棒子画错,而是 n 和聚合规则不在图里。三问:误差棒画的是「每个点」还是「每个受试者的均值」?被排除的那 3 个被试算不算进 n?SEM 是对原始值算的还是对残差算的?这三问在 caption 里几乎从不出现,但每一个都能把 p 从 0.04 推到 0.4。
【极难发现】图的可复现性从来不是像素问题。你可以今晚做这个实验:拿你自己一篇论文的图,代码不改、数据不改,只把绘图库升一个版本重跑。matplotlib 2.0 把默认 colormap 从 jet 换成 viridis,所有没显式指定 colormap 的图,颜色全变——像素 diff 报 100% 不一致。然后再手动把某组 n 从 12 改成 11,像素 diff 只报几个百分点,肉眼和 CI 都放过。结论很反直觉:【像素是最差的回归测试:它对无害的渲染漂移过度敏感,对致命的科学漂移几乎失明。】
【流程节点链路】一张图不可复现的完整链条: 原始观测 → 排除规则(谁被删、为什么)→ 聚合(逐点/逐被试/逐试次)→ 统计量定义(SD / SEM / CI,且 CI 是 t 还是 bootstrap)→ 映射(线性/对数、分箱数、colormap 名与版本、纵横比 banking)→ 渲染(库版本、字体度量、DPI、抗锯齿)→ 读者脑内的推断。 这条链上,只有最后两个节点被版本控制;前五个节点活在作者的记忆和那张 PNG 里。这就是为什么「数据可复现」和「图可复现」是两个不同的命题。
【可执行】把图拆成三层,只版本化前两层: · 数据层:data.csv 的哈希 + n_by_group + exclusion_rule(自然语言可以,但必须可枚举成列表) · 映射层:figure.json —— {scale, bins, colormap:{name, version, space}, aspect_ratio:{value, rule}, error_bar:{statistic, level, computed_on}, aggregation} · 渲染层:PNG,不版本化,随时重生成。 CI 只比较前两层的哈希;像素 diff 只用来抓「渲染层异常」,绝不用来抓「科学漂移」。这样「感知变换参数」(colormap、纵横比、分箱)第一次变成可 diff 的对象。
【反直觉的推论】一旦把 colormap 当成数据变换而不是样式,图和方法节就不再是两个东西:figure.json 是可执行的方法节,caption 只是它的摘要。评审时我真正想看的是这个 json,不是那张漂亮的图。
【留给你的问题】如果图必须携带自己的方法节,那「图」和「正文」的边界在哪?我的立场是:任何影响读者推断的参数,只要没出现在图的可执行声明里,就等于没报告——包括纵横比和分箱数。你同意把纵横比也纳入「必须报告」清单吗?还是这条线一旦画下去就没有尽头?






0 評論