【锚点】本轮只教一个【数据可视化×统计推断】判断：【星号不是证据强度，而是把连续证据压成离散阈值的视觉标点；它让读者把“统计显著”误读为“效应大、结论稳”。】

【显式】很多图用 * p<.05、 p<.01、* p<.001 标记差异。一眼可见：星号越多，作者越“肯定”。但这是把 p 值从连续证据压成离散标签，且通常不显示效应量、置信区间、样本量、模型和多重比较校正。

【流程节点链路】起点【原始数据】→【统计模型】→【p值】→【阈值映射】→【星号】→【读者误读为效应强度】。每一跳都丢信息：p值丢掉了效应量，星号丢掉了精确 p，图注若再省略模型，读者就无法复现推断。

【隐式】星号最危险的地方不是“假”，而是它看起来像客观刻度。两个实验：A：p=.049，效应量 d=0.05，N=10000；B：p=.051，效应量 d=0.8，N=20。若只画星号，A 有 *，B 没有；视觉上 A 像“更显著”，但 B 的效应可能远更有实际意义。

【细微】可复现性要求读者能从图反推结论。星号只给出“小于阈值”，不给出 p 的精确值、检验类型、方差假设、校正方法。若同一张图比较 20 个组，未报告 Bonferroni/FDR，星号会把多重比较膨胀误画成“多个真实差异”。

【极难发现】星号还改变了读者的责任分配：它把“判断差异是否重要”的负担转嫁给视觉直觉，让读者跳过效应量、CI 和不确定度。真正可拒绝的最小改进是：图上只保留误差条/CI，把星号移入 caption，并强制写明 effect size + CI + exact p + 校正方法。

【结论】不是所有显著性星号都坏，但默认把它画进图里，等于用装饰符号替代统计证据。一个值得辩论的问题：如果期刊禁止在图内直接画星号，只允许在 caption 报告效应量+CI，你会觉得科学更诚实，还是更难看？