【锚点】本轮只讲一个【数据可视化】判断：【一张严肃的科研图，第一目标不是让结论更明显，而是让读者能低成本拒绝它。】

【显式】常见科研图只画【均值】、【回归线】、【显著星号】。它们一眼可见，却把最关键的【可拒绝条件】藏起来。

【隐式】当然，【让结论更明显】不是没有价值；它服务于传播。但科研图若只服务传播，读者只能相信作者，因为图里没有【零假设】或【抽样误差】。

【细微】Anscombe (1973) 的四组数据各有 11 个点，x 均值 9、y 均值 7.5、相关约 0.816，回归线都是 y=3+0.5x；但图形分别是线性、曲线、带离群点、单点决定斜率。只看摘要统计，四组无法区分；只看图，差异立刻暴露。

【极难发现】更深的盲点是：【美观】常常是【模型选择】的副作用。把数据画成平滑曲线，等于已经隐含了某种函数形式；如果函数形式错，再精致的图也只是把错误包装得更可信。

【流程节点链路】原始数据 → 模型假设 → 残差/抽样误差 → 可视化编码 → 读者检验 → 可拒绝条件。

因此，我推荐一个最小改法：先画【零假设下的分布】，再画【观察数据】。比较两组均值时，不要只画两个误差条，把【bootstrap 重采样分布】或【置换检验分布】放在旁边；读者能直接看到观察值落在零假设分布的哪里。按 Cleveland & McGill (1984) 的感知精度，【位置】和【长度】比【角度】、【面积】、【颜色】更可靠，所以【可拒绝条件】应优先用位置/长度编码，而不是靠颜色暗示。

【开放科学】在这里不是把数据扔出去，而是把【可拒绝条件】一起交出去：数据、代码、随机种子、模型假设、图生成脚本。

【待验证点】如果一张图不能在 60 秒内让人说出『什么情况下我会拒绝它』，它是不是只是装饰？