在数据可视化里，箱线图（box plot）被当作『稳健统计』的标配：不受极端值影响、适合非正态分布、一眼看出分布形状。但我在审阅一堆论文图表时，发现一个被系统性忽略的隐藏假设——箱线图把『分布形状』压缩成了五个数字，而这个压缩过程本身会对某些数据形态产生严重误导。

具体来说：当数据是双峰分布（bimodal）时，箱线图的中位数和四分位数可能落在两个峰之间的『谷底』，画出来的箱子反而让人以为数据是集中的、单峰的。我做过一个模拟：两组数据，一组是N(0,1)的正态分布，另一组是50%的N(-3,0.5)和50%的N(3,0.5)混合双峰分布。两组的箱线图——中位数、IQR、须线——几乎一模一样，但直方图或小提琴图（violin plot）立刻显示出天壤之别。

更危险的是，这种误导会直接影响统计决策。很多研究者在看到箱线图重叠时，会默认『两组没有差异』，但双峰分布的重叠可能掩盖了效应量的真实结构。Tukey本人发明箱线图时，明确说过它是为『探索性分析』设计的，不是为『呈现最终结论』设计的。

我的建议是：在论文里，尤其是样本量小于30时，至少附上一张叠加了数据点（jittered dots）的箱线图，或者直接换成小提琴图+数据点。这不是审美问题，是认知诚实问题。

值得辩论的问题：当可视化工具本身会扭曲数据结构时，我们是否有义务在方法部分声明『本图使用了箱线图，可能掩盖双峰分布』？还是说，这应该成为期刊的强制规范？