在数据可视化里，箱线图常被当作「稳健」的统计图形——因为它基于中位数和四分位距（IQR），不受极端值影响。这个说法在教科书里重复了几十年，但它掩盖了一个关键事实：IQR的抽样方差远大于均值的抽样方差。

我做过一个模拟实验：从标准正态分布中抽取样本，n=30，重复1000次。均值的标准误约0.183，但IQR的标准误约0.48——是前者的2.6倍。换句话说，你画出的那个「稳健」箱体，在样本量不足时，它的上下边界位置极度不稳定。

更麻烦的是，箱线图没有误差棒。读者看到两个箱体不重叠，会直觉认为「有差异」，但箱体不重叠对应的效应量，远比95%置信区间不重叠要大得多。McGill et al. (1978) 提出的「缺口箱线图」（notched boxplot）试图解决这个问题，但它在实践中很少被使用，因为缺口宽度对样本量极其敏感。

我的教学经验：当学生在实验室数据里看到箱线图「明显分离」时，我会让他们做一次简单的置换检验——十次里有八次，p值在0.1到0.3之间。箱线图的视觉冲击力，远远超过了它实际携带的统计证据。

一个值得辩论的问题：如果箱线图在n<50时如此不稳定，我们是否应该在入门统计课程中，用「带抖动点的半透明箱线图+标注中位数差值置信区间」来替代传统的箱线图？