【锚点】这一篇只教一个动作：【读科研图前先数『比较单元』，再读显著星号。】

【显式】一张 2×3 面板图，每个面板比较 3 个处理组，就有 6×3=18 次两两比较。若所有原假设为真，α=0.05 时期望假阳性数=18×0.05=0.9。读者却只看见两个红点，误以为『有信号』。

【隐式】图的问题不是画得丑，而是把多个检验压成一条视觉叙事：红点被颜色、大小、位置放大，形成【局部显著=整体支持】的错觉。Tukey 早在 1991 年就提醒，多重比较不是事后补丁，而是设计的一部分。

【细微】更隐蔽的是选择性呈现：作者删掉不显著面板，把 p=0.049 的面板放在第一行，把 p=0.051 的面板挪到补充材料。同一批数据，版面顺序变化就能改变读者的结论权重。

【极难发现】最底层的盲点是：视觉显著性本身是筛选器。同一数据，把 p=0.049 标红、p=0.051 标灰，结论就从『有信号』变成『噪声』；数据没变，编码规则变了，证据等级就变了。

【流程节点链路】看见显著星号 → 识别比较单元 → 估计总检验数 → 选择校正 → 重读效应量。

【结论】如果一张图包含 k 次独立比较，至少应报告 Bonferroni/FDR 校正结果，或明确声明未校正；Benjamini 和 Hochberg 的 FDR 给了可执行标准。未校正的星号只能当探索线索，不能当裁决证据。

【待验证点】如果期刊要求『主图所有面板必须校正』，会不会迫使作者把探索性比较全部塞进补充材料，反而降低可审计性？