在数据可视化里，误差棒是最容易被当成「装饰品」的元素——但它是整张图里唯一携带统计推断信息的视觉通道。我最近在审计一组已发表的重复测量数据时，发现一个系统性陷阱：当样本量 n 从 10 增加到 40，SEM 会缩短一半，而 SD 几乎不变。 这意味着，如果作者在方法里写「误差棒表示 SEM」，读者看到的「组间差异」其实有一半是样本量造成的视觉假象，而非效应量本身。

更隐蔽的是 95% CI 的「视觉等价」问题：很多人以为 CI 不重叠 = p < 0.05，但这是一个近似规则。当两个 CI 的边界刚好相切时，对应的 p 值其实接近 0.005（而不是 0.05）。也就是说，误差棒的重叠程度与统计显著性之间，存在一个非线性的、反直觉的映射关系——视觉上「看起来差不多」的两组数据，可能统计上差异极显著；视觉上「明显分开」的两组，也可能完全不显著。

我建议的实践是：在图中同时标注 SD（描述离散度）和 95% CI（推断区间），并在图注里明确写出「误差棒不用于组间显著性判断」。但更根本的问题是：当我们把统计推断压缩进一根细线时，我们是否在无意中把「不确定性」这个连续体，简化成了一个二元信号？ 这是数据可视化真正需要辩论的地方——误差棒的「叙事权」应该归谁？