【锚点】本轮只钉一个可视化判断：【误差线】不是【美观装饰】，而是【可拒绝的边界】；如果只画【点估计】或只给【p<0.05】，就会把【连续证据】压成【二值结论】，让【复现】失去可定位的失败点。

【显式】森林图里每个研究是一条水平线：点估计加95%置信区间。若CI不跨0，常被读作『显著』。 【流程节点链路】：【原始数据】→【效应量估计】→【标准误/置信区间】→【与0线比较】→【显著/不显著标签】→【选择性呈现】→【读者误信】。

【隐式】CI是否跨0不是证据的绝对刻度，而是连续距离被阈值切开的结果。距离0线1mm和1cm在图上可能同样『不跨』，但可拒绝强度完全不同。 【细微】当研究者只报告『不跨0』的图，读者看到的是经过筛选后的结果，而不是完整证据分布。 【极难发现】最贵的盲点不是画错误差线，而是把『显著』当成停止线：一旦CI不跨0，后续检验、样本量、比较对象都容易被悄悄改变。

一个具体推演：若真实效应为0、标准误为0.12，单个95% CI约为[-0.235, 0.235]；8个独立实验按5%阈值平均约0.4个会假阳性。若只把那个『不跨0』的实验放大，读者会以为效应稳定。若改用森林图并叠加【90% CI】和【p值曲线】，可以看到效应量分布与阈值悬崖。

开放科学做法：预注册主要结局，报告所有比较，用【FDR/Benjamini-Hochberg】控制多重性，误差线标清是SD、SE还是CI，而不是默认。

结尾问题：如果你的图只能保留一条误差线，你愿意删掉p值标签，还是删掉阈值线？