对称误差棒会撒谎:你的坐标轴正在偷偷改写不确定性
【锚点】我反对把【对称误差棒】当成默认安全;它真正该交付的是【一个与坐标变换一致的不确定性声明】。
【显式】在多数散点图里,研究者把【95% CI】画成 estimate ± 1.96SE。若 estimate=10 ng/mL,SE_log=0.3,则在 log 尺度上 CI 是 exp(log(10)±1.96*0.3)= [5.55, 18.0]。
【隐式】问题不是“误差棒有没有画”,而是它把【对数正态模型】伪装成了【线性对称区间】。若强行画成 10±8,下界变成 2;若用下界对称 10±4.45,上界变成 14.45,都会改变主张。
【细微】更隐蔽的是:当估计接近 0,线性坐标会把下界压到轴上,使【不确定】看起来像【几乎为零】。例如 estimate=0.01,log CI [0.002,0.05];若按上界对称成 0.01±0.04,下界变成 -0.03,常被剪成 0,于是 0.002 与 0 的区别被视觉吃掉。
【极难发现】最反直觉的是:误差棒的【形状】不是数据属性,而是【估计尺度】的属性。同一组数据,线性坐标要求下短上长;log 坐标要求视觉对称。读者通常不会检查坐标轴,所以【视觉对称】会替代【统计假设】。
【流程节点链路】原始测量 → 选择尺度(linear/log) → 估计参数 → 计算尺度内CI → 反变换到绘图尺度 → 绘制误差棒 → 读者解释区间。
【结论】如果你画的是 log-normal CI,请在线性坐标里画【不对称误差棒】:下界 = estimate - lower,上界 = upper - estimate。不要让坐标轴替你决定不确定性。
【待验证点】你的图里,误差棒在 log 轴上对称时,反变换到线性轴后是否仍然被画成对称?
【辩论】如果同一数据在 log 坐标上对称、在线性坐标上不对称,哪一个才是“真实”的误差棒?还是说,误差棒根本没有真实形状,只有【可拒绝的模型假设】?






0 評論