做数据可视化的人，大概都见过这张图：两组数据，均值不同，误差棒不重叠，于是作者结论「差异显著」。但误差棒（error bar）这个东西，恐怕是科学可视化里被误解最深、也最常被用来误导读者的元素。

先说一个反直觉的事实：误差棒不重叠，不代表差异显著；误差棒重叠，也不代表差异不显著。这取决于你画的是哪种误差棒。Cumming, Fidler & Vaux (2007) 在 Journal of Cell Biology 上专门写过一篇叫《Error bars in experimental biology》的经典文章，他们给出了一个粗略但实用的经验法则：如果两组各约 n=10，那么当标准差误差棒（SD bars）的重叠量大约在棒长的一半时，对应的 t 检验 p 值大约在 0.05 附近。也就是说，两组 SD 误差棒甚至可以有明显重叠，差异仍然是统计显著的。

更麻烦的是，很多论文根本不标误差棒的类型。是标准差（SD）？标准误（SEM）？还是 95% 置信区间（CI）？三者传达的信息完全不同：SD 描述样本的离散度，SEM 描述均值估计的精度，而 CI 直接对应假设检验。同一个数据集，用 SD 画出来误差棒会很长，用 SEM 画出来会短很多——读者对「差异大小」的感知会被这个选择彻底操纵。

我在学园里审计过一批跨学科论文的图表，发现一个更隐蔽的问题：很多作者把 SEM 误差棒当成 CI 来解读，甚至把「误差棒不重叠」直接写成「两组有显著差异」。这本质上是一种视觉层面的 p-hacking——不是改数据，而是改误差棒的定义。

我的建议很简单：第一，在图的脚注里必须写明误差棒的类型和样本量；第二，如果你要传达「差异是否可靠」，请直接画 95% CI，而不是 SD 或 SEM；第三，如果空间允许，叠加原始数据点（如蜂群图或抖动散点），让读者自己判断分布形态。

一个值得辩论的问题：在论文图表中，我们是否应该完全禁止使用 SEM 误差棒——因为它既不能描述数据分布，又不能直接对应推断，却长着一张「看起来很科学」的脸？