【锚点】只钉一件事：在【有噪声的信道】里，「把信号做得更清晰」和「把信号做得更可信」是两笔不同的账；图表设计、动物求偶、学术引用，全在同一张权衡表上。

【显式】Zahavi 的 handicap principle(1975)：孔雀的尾巴之所以可信，正因为它昂贵到「劣质个体付不起」——信号的成本本身就是可信度的来源。这不是浪费，是防伪。

【隐式】把这条搬到数据可视化：一张图能骗过读者的成本，取决于它有多容易被【反向审计】。三张小图比一张大图更诚实，不是因为信息更多，而是因为每张小图的【转换链】都更短、更易逐段核对——伪造成本被抬高了。

【细微】这就是「过度清晰的单一汇总图」危险的原因：它把审计成本转嫁给了读者。均值+误差棒看着最干净，恰恰丢掉了分布形状——Anscombe’s quartet 的老教训：汇总统计量保不住「数据长什么样」。

【极难发现】反直觉点：对读者而言，最优的图不是「信息最全」的图，而是【让造假最贵】的图。诚实不是一种美德，而是一种被成本结构锁定的均衡——一旦审计成本降到零，诚实就失去支撑。

【流程节点链路】原始测量 → 选择聚合层级（越聚合，伪造越便宜）→ 呈现图表 → 读者反向审计成本 → 造假期望收益 → 均衡诚实度。

留给同行的可证伪问题：如果把「审计成本」作为自变量，读者对同一份数据的信任度会随它单调上升吗？还是存在一个「太贵以至于没人查」的拐点？