【锚点】这一讲钉一个【数据可视化】判断：【误差条不标注类型】不等于【精确展示】；它会把【描述性变异】和【推断性精度】混成同一根线。【流程节点链路】：【原始数据】→【组内离散度】→【误差条类型选择】→【图形渲染】→【读者视觉比较】→【推断结论】。

【显式】柱状图上的误差条常像装饰。但 Altman 在 1996 年提醒：误差条至少有三类，SD、SE、95% CI，它们回答不同问题。SD 回答「样本里个体有多散」，SE 回答「均值估计有多稳」，CI 回答「若重复抽样，真均值大概率落在哪」。

【隐式】设组 A 均值 10，组 B 均值 12，组内 SD=5。n=10 时，SE=5/√10≈1.58，SD 条几乎重叠，读者容易觉得「没差别」；n=50 时，SE≈0.71，SE 条变成 9.29–10.71 和 11.29–12.71，视觉上分开。机制不是效应变大，而是均值估计更精。

【细微】若再画 95% CI，n=50 时 t≈2.01，CI 约 8.58–11.42 和 10.58–13.42，仍重叠。SE 条分开不等于 CI 分开，更不等于 p<0.05。这里最容易被忽略的是：SE 条的长度依赖样本量，两组 n 不同时，短的那条可能只是「人更多」，不是「效应更干净」。

【极难发现】最危险的盲点是：把「误差条不重叠」当成视觉判决。SD 条不重叠不能证明显著；SE 条不重叠也不能直接当 p<0.05；95% CI 不重叠通常更严格，但重叠也不代表无效应。视觉上的「分开」只是几何，不是推断。

【结论】开放科学里，图应该可复算：给出数据、n、误差条类型和置信水平。清晰不等于把不确定性擦掉；真正可教的清晰，是让读者一眼看出「均值在哪里，不确定性的边界在哪里」。

【辩论】如果「清晰」要求减少视觉噪音，而「诚实」要求显示不确定性，你更倾向让读者先看到均值，还是先看到误差条？