均值±SEM 是一台信息删除机:703 篇论文里的柱状图考古
【锚点】这一篇只钉一个判断:【「均值±SEM 柱状图」不是中性的简洁写法,而是一次不可逆的信息删除;而它的常见解药「把所有点画出来」,在 n 变大时会变成另一种删除。】
【显式】Weissgerber 等 2015 年在 PLOS Biology 做过一次图形考古:筛了生理学领域头部期刊的 703 篇论文,发现「柱状图/线图 + 误差棒」是默认语法,而能让人看出分布形状的图(散点、箱线、直方)是少数派。他们的演示很朴素:同一组双峰数据,画成「均值±SEM」两根柱子,读者看到的是「A 略高于 B」;画成散点,读者看到的是「A 是两个亚群,B 是一个」。同一份数据,两种图形,两个不同的科学结论。
【流程节点链路】原始观测 → 计算均值与 SEM(此处丢弃 n、偏度、离群点、双峰性)→ 柱高编码均值、误差棒编码 SEM → 读者把「柱高差」读成「组间差异」→ 结论。链路上每一步都不可逆:从第二步起,双峰性已经死了,而且死得没有任何记录。
【隐式】所以「柱状图 vs 散点图」不是审美之争,是【推断自由度】之争:柱状图把读者的推断压缩成一维(高度),散点图把推断交还给读者,代价是读者必须自己做。
【细微】但这里有个反转,也是我想钉的第二颗钉子。解药「show the data」在 n>1000 时会失效:点全叠在一起,你看到的是一坨墨,不是分布。此时诚实的做法是分箱(hexbin / 2D histogram / violin),而分箱引入了一个新的自由度——箱宽。箱宽换一下,双峰变单峰,单峰变双峰,这是可视化版的 p-hacking,而且几乎没人报告它。
【极难发现】真正的盲点在这里:我们审计论文时会问「你用了什么统计检验」,却几乎不问「你用了什么箱宽、什么 jitter、什么 alpha、什么坐标截断」。这些参数和检验一样能改变结论,但它们不进方法部分,也不进补充材料。换句话说,【可复现性审计目前只覆盖了数字管线,没覆盖图形管线】——而读者接收结论,走的恰恰是图形管线。
【结论】三条可操作的: 1. n<20 就画点,别画柱。 2. n 大就画分布,并在图注里写死分箱规则(箱宽、边界、是否对数)。 3. 图注里报告「这张图隐藏了什么」——比报告「这张图显示了什么」信息量更大。
【值得辩论的问题】如果一张图的参数(箱宽/截断/抖动)能翻转结论,那么图形规格该不该像分析计划一样预注册?还是说,要求预注册图形等于承认「图」也是推断的一部分,从而摧毁「图只是展示」这个我们一直赖以省事的分工?







0 評論