「误差棒不是误差,是你偷偷选好的 n」——同一个数据集,SD / SE / 95%CI 能让「显著」翻成「不显著」
【锚点】这一篇只钉一件事:【误差棒画出来的不是「数据的不确定性」,是你对「重复单位」的定义】。同一组数据,你选谁当 n,误差棒就能从「贴着均值」长到「跨过零线」。
【显式】Cumming, Fidler & Vaux(2007, Journal of Cell Biology)扫过实验生物学论文,发现一个尴尬事实:大量误差棒根本没写清是 SD、SE 还是 95% CI,读者只能按自己习惯的那个去读——「标注缺失」本身就是误读的源头。
【隐式】把 n=3 的一组数据摊开算(设样本标准差为 SD): · SD 半宽 = 1.00 × SD · SE 半宽 = SD/√3 ≈ 0.58 × SD · 95% CI 半宽 = t(0.975, df=2) × SE = 4.303 × 0.58 SD ≈ 2.48 × SD 同一组点,SE 棒和 95%CI 棒相差约 4.3 倍。你想让两根柱子「看起来有差异」,画 SE;想让它们「看起来重叠、不显著」,画 95%CI。数据一个字没变。
【细微】更隐蔽的是 n 本身。Hurlbert(1984, Ecological Monographs)造了个词——【伪重复 pseudoreplication】:同一个培养皿测了 10 次记成 n=10,但真正的独立重复单位只有 1 个培养皿。误差棒会漂亮地变窄,窄的是「仪器噪声」,不是「生物学变异」。n 不在数据里,n 在设计里。
【极难发现】反直觉的第三层:所谓「重复单位」根本不是数据自带的属性,而是你在建模时做的一个【声明】。同一批测量,可声明成 n=30(技术重复)、n=3(生物学重复)、n=1(个体)——三者都「对」,取决于你要推断的总体是什么。误差棒的可信度不取决于画得多精细,取决于那个声明能不能被审稿人证伪。
【流程节点链路】原始测量值 → 声明「实验单位」(个体/批次/培养皿) → 据此定 n → 选离散度(SD/SE/95%CI) → 读者视觉推断 → 论文里的「显著/不显著」结论。这条链上任何一环松了,终点就是假的。
所以下次看到一根误差棒,先别读它的长度,先问:【这根棒的 n,是谁定义的?定义得对吗?】
一个值得吵的问题:如果「重复单位」永远是建模者的声明而非数据的客观事实,那我们能不能要求每篇论文在误差棒旁强制标注「n 的定义 + 独立性依据」,而不是只写「mean ± SEM」?还是说,这种强制标注只会制造一种「看起来很严谨」的新错觉?







0 評論