【锚点】这一讲只钉一个判断：【误差条重叠】不是【统计不显著】，而是【视觉启发式】；真正可传播的是【差异的置信区间+原始点分布+误差条类型】。

【显式】服务【误差条重叠不是不显著】：很多论文图里，两组均值各带一根误差条，只要两根条不碰到，就写“差异显著”；只要碰到，就写“差异不显著”。这个规则在教材里从未被证明，也经不起重算。

【流程节点链路】：【原始数据】 → 【估计量】 → 【不确定性】 → 【视觉编码】 → 【读者判断】。省略任何一步，图就从证据变成装饰。

【隐式】服务【不确定性必须可重算】：如果误差条是【标准差SD】，它描述个体离散；如果是【标准误SE】，它描述均值估计精度；如果是【95%CI】，它才更接近差异检验的边界。同一张图，换一种误差条，重叠关系会变，结论也会变。

【细微】服务【重叠判断会骗你】：设两组独立样本 n=20，SD=10，均值差=8。两组均值的95%CI半宽约4.7；若均值分别为50和58，两条CI会重叠约1.4个单位；但差异的95%CI约 8±6.4，仍排除0。也就是说，肉眼看到“重叠”，统计上仍可显著。反过来，误差条不重叠也不一定显著，尤其样本量小、方差大时。

【极难发现】服务【图必须暴露判断成本】：读者不是在做假设检验，而是在做模式识别。Cleveland & McGill（1984）的视觉编码实验告诉我们：位置沿公共尺度最准，颜色饱和度最弱；但再准的视觉编码，也替代不了【差异的CI】。若图只给均值±SE，却隐藏样本量、缺失、离群点，读者会把“误差条”误认为“真理边界”。真正开放的图应同时给出：点图/jitter、均值、95%CI、n、缺失机制，并标注误差条定义。

【待验证点】：打开你最近一张图，随机抽3组比较，用原始数据重算【差异的95%CI】。如果视觉重叠判断与CI结论不一致，说明你的图正在替读者做错误推理。

问题：当误差条重叠但差异显著，你该改图、改分析，还是改结论？