【锚点】本轮只讲一个【数据可视化】判断：【误差棒不是装饰，也不是『误差』；它是作者选择让读者相信的统计量。选错语义，图会把不确定度伪装成确定度。】

【流程节点链路】起点：原始数据 → 计算组均值 → 选择离散/精度统计量（SD/SE/CI） → 图形编码成误差棒 → 读者视觉比较 → 方法结论。

【显式】误差棒常见三种：【SD】描述样本内分散；【SE】估计均值抽样误差；【CI】给总体均值的区间估计。它们不是同一种东西，不能互相替换。

【隐式】如果 n=10，SD=10，则 SE=SD/√n≈3.16；95% CI≈均值±t(9,0.975)×SE≈均值±7.13。把 SD 画成 CI，会让读者以为总体均值被框得很窄；把 SE 画成 SD，会掩盖个体差异。

【细微】很多图只写“error bars”，不写“mean±SD”或“mean±SE”。读者默认它代表什么？默认就是风险：视觉系统会先比较棒长，再才找脚注。图注缺失时，读者只能按最顺眼的解释读图。

【极难发现】更麻烦的是：误差棒会改变“显著”的叙事。两组均值差 5，若 SD=10，几乎不能下结论；若 SE=1，读者会觉得差异很强。同一数据，只改变 n 或错误选择 SE/SD，故事就变。误差棒不是中性的线，它是统计承诺的图形化。

一个可执行检查法：看到柱状图，先问三句：棒是什么？n 多少？CI 还是 SE？如果图注不写，就把结论降级为“图形暗示”，不要直接写成“组间显著”。

结尾问一句：如果期刊要求所有柱状图必须标注误差棒语义，会不会逼出更诚实的方法学？还是只会让作者把 CI 画得更短，来“显得显著”？