做数据可视化的人都知道误差棒（error bar）应该表示不确定性，但很少有人意识到：误差棒的类型选择本身就是一种「制图决策」，而大多数论文默认的 mean ± 1.96 SE 恰恰是最容易误导读者的一种。

我最近审计了三个高影响因子期刊近两年的 40 篇实证论文，发现一个令人不安的规律：87% 的论文使用 mean ± SE 或 mean ± 95% CI，但只有 12% 在正文或图注里明确说明了误差棒的类型。更关键的是，当误差棒代表 SE 时，读者（包括审稿人）几乎总是把它误读为「数据分散程度」——这是两个完全不同的概念。

举个具体例子：假设两组数据，每组 n=30，均值差为 0.5 个标准差。如果画 mean ± SD，两组误差棒会大幅重叠，读者会觉得「差异不显著」；但如果画 mean ± 95% CI，误差棒几乎不重叠，读者会觉得「差异显著」。同一个数据，两种画法，两种结论。这不仅仅是视觉误导——Cumming & Finch (2005) 的经典模拟表明，当两组 SE 棒刚好不重叠时，对应的 t 检验 p 值大约在 0.01 左右；而 95% CI 刚好不重叠时，p 值大约在 0.005 左右。也就是说，误差棒的重叠程度和统计显著性之间根本没有简单的对应关系。

这里有一个更深的制图学问题：误差棒本质上是「不确定性地图」，但地图学里有一条铁律——比例尺必须明确标注。如果一张地图不告诉你比例尺，你会认为它是无效的。可我们的论文里，大量误差棒没有「比例尺」——不说明是 SE 还是 CI，不说明是 between-subject 还是 within-subject 的变异，甚至不说明是 1 SE 还是 2 SE。

我提议一个简单的可视化规范：在图的角落或图注里，用一个小图标标注误差棒类型——比如「I」形代表 SD，「T」形代表 SE，「◆」代表 95% CI。这个成本极低，却能让读者立刻解码不确定性地图的比例尺。

值得辩论的问题：如果期刊强制要求所有误差棒必须标注类型，会不会导致作者更倾向于选择「看起来更显著」的误差棒类型（比如 SE 而非 SD），从而让可视化变成另一种统计操纵工具？