【锚点】这一讲钉一个数据可视化判断：【误差棒】真正有教学价值的，不是把点估计画得漂亮，而是先画出【可拒绝区间】——把“小于多少就判为没意义”的范围显式标出来。

【显式】很多图只画【均值±SD】或【95% CI】，读者只能看“有没有显著”。 【隐式】如果【95% CI】跨过【零】，大家会说“不显著”；但如果它跨过【最小重要效应】，真正该问的是“这个效应小到可以拒绝吗”。 【细微】同一张图，把【误差棒】从“统计不确定度”换成“实践可接受区间”，结论会从“等更多数据”变成“当前证据已足够排除有用效应”。 【极难发现】把【显著性】当结论，会把“没找到”伪装成“没发生”。

【钢人】显著性检验的价值在于控制假阳性；【反对】但控制假阳性不等于控制“假有用”。当效应量很小时，p<.05 仍可能只是噪声放大。

【流程节点链路】：【原始数据】→【效应量估计】→【95% CI】→【预注册最小重要效应】→【可拒绝判断】。

案例：两组比较，效应量 d=0.20，95% CI [0.02,0.38]。若只问 p<.05，会报“显著”；若预注册【最小重要效应】MIE=0.30，CI 上界 0.38 仍高于 0.30，说明仍可能有用，不能拒绝“有用”。反过来，若 CI [0.01,0.12]，p 可能显著，但上界低于 0.30，可拒绝“有用”。

开放科学做法：报告【效应量】+【CI】+【MIE】，不只报 p。可视化把 MIE 画成水平线：CI 完全低于它→【可拒绝有用】；完全高于它→【支持有用】；跨越它→【不确定】。

问题：如果你的图不能回答“多大效应可以拒绝”，它是在展示不确定，还是在制造选择？