概念地圖・誤差線
作者 山姆（謝冠生）・喵喵書評創辦人
發布
分類：敘事
這一頁不只是把一個概念解釋一遍——一張自己畫的結構圖，加上拿台灣情境從頭走一次的實例演練、這個框架什麼時候會騙你，以及它接回 P.A.I.N. 之後長什麼樣。一頁必須交付的三層 →
誤差線：那截線在量哪一種不確定
十六筆量測值，在同一台電腦上畫了三次誤差線。第一次那截線有指節那麼長，第三次短到快看不見。資料一筆都沒改，只有下拉選單換過。標準差、標準誤、九五信賴區間——三個選項畫出三種長度，而簡報上多半只寫「誤差線」三個字。看圖的人於是各自腦補：有人把它讀成產品的變異範圍，有人把它讀成顯著不顯著的判準。這張地圖把三種畫法擺在同一批數字上，量給你看它們差幾倍，也講清楚兩截線碰在一起的時候，能推論出什麼、不能推論出什麼。
三種誤差線，同一批數字畫出來差多少
先把幾種畫法放在同一組數字上量一次。A 組（一般冷藏）十六箱，平均架售期 18.4 天，標準差 3.2 天——底下四列全部從這兩個數字長出來。
| 那截線畫的是 | 算法（n＝16） | A 組半長 | 它回答的問題 |
|---|---|---|---|
| 標準差 | 就是 3.2 天本身 | ±3.20 天 | 這十六箱彼此差多少 |
| 標準誤 | 3.2 ÷ √16 ＝ 0.80 | ±0.80 天 | 平均值本身晃不晃——多數軟體的預設值 |
| 95% 信賴區間 | 2.131 × 0.80 ＝ 1.71 | ±1.71 天 | 真正的平均值大概落在哪一段 |
| 95% 預測區間 | 2.131 × 3.2 × √（1＋1/16） | ±7.03 天 | 下一箱能撐幾天 |
四列的半長從 0.80 天一路拉到 7.03 天，最長的是最短的八倍以上。沒有一列算錯，也沒有一列比較誠實——差別在它們回答的問題根本不同。尷尬的是中間兩列：標準誤 0.80 天與信賴區間 1.71 天講的都是「平均值」，而把設備賣出去的那句承諾，講的往往是「下一箱」。那句話要看的是最後一列 ±7.03 天，也就是 11.4 到 25.4 天。
看到一張帶誤差線的圖，該問的三件事
一、這截線畫的是哪一種。標準差、標準誤、信賴區間，三種都叫誤差線，最長的那截是最短的四倍。更麻煩的是倍率：有人畫 1 倍標準誤，有人畫 2 倍，有人畫 95% 信賴區間——同一份資料，光是倍率就能再差一倍以上。圖上沒有一個字交代，讀者只能照自己的習慣猜。自問：圖說或軸標裡，有沒有寫明它是哪一種、幾倍？
二、n 是多少。標準誤跟樣本數的平方根綁死。同樣是標準差 3.2 天，n＝16 的標準誤是 0.80 天，n＝64 就掉到 0.40 天——線縮了一半，箱子裡的東西一顆都沒變。看不到 n，那截線的長度就沒有解讀的依據。自問：這截線背後是幾個樣本，圖上找得到嗎？
三、它回答的是分散，還是平均值站得穩。「這一批東西有多分散」歸標準差管，「這個平均值站得多穩」歸標準誤與信賴區間管。兩個問題的收件人不一樣：品管要前者——他要知道最差的那一箱有多差；決策者要後者，他要決定這個平均值敢不敢寫進合約。自問：我這張圖是要人相信平均值，還是要人看清楚離散？
氣調保鮮那份簡報，被問倒的三分鐘
- 第 0 分鐘：一家做氣調保鮮設備的業務把試驗結果翻上牆——A 組一般冷藏 18.4 天、B 組氣調庫 21.0 天，兩根長條上各插一截線。數字是他自己盯出來的，十六箱一箱一箱翻。底層資料紮實
- 第 1 分鐘：採購指著螢幕問，這兩截線碰在一起了，到底有沒有差？他答「重疊就代表沒有顯著差異」。這一句同時錯在兩層
- 第 2 分鐘：對方追問那截線是標準差還是標準誤。他切回軟體，才看見下拉選單停在出廠預設。圖是他畫的，那截線是軟體替他選的
- 第 3 分鐘：最後一個問題最貴——我買一台，我下一批青花菜能撐幾天？全場最想聽的一句，那張圖從頭到尾沒在回答
- 當天晚上：他把同一批數字重算。兩組的 95% 信賴區間是 16.70～20.10 與 19.08～22.92，確實疊了 1.02 天；可是平均差 2.6 天除以差的標準誤 1.20 天，t＝2.16，大過自由度 30 的臨界值 2.042。重疊那件事，跟檢定結論走的是兩條路
- 提案第二版：圖沒換，圖說多了兩行——「誤差線為 95% 信賴區間，n＝16」與「單箱預測區間 11.4～25.4 天」。採購第一次問到「那我要備多少貨」
被問倒的那三分鐘，考的不只是統計。採購丟出來的三個問題——有沒有差、那截線是什麼、我下一批能撐幾天——分別要三種不同的東西來答：檢定、圖說、預測區間。他手上那張圖只準備了一種，還是軟體替他準備的。第二版之所以有用，跟數字漂不漂亮無關：平均還是 18.4 對 21.0，兩段區間還是疊著；改掉的是每一截線都認領了自己在回答哪一題，讀圖的人不必再猜。多兩行字，對話就從「我們的比較好」挪到「多出來的 2.6 天，你願意付多少」——那才是採購真正簽得下去的東西。以上為說明結構用的示意情境，僅供理解框架之用。
這三種畫法什麼時候會騙你
- 看到重疊就宣布「沒有顯著差異」。這批數字剛好示範得很清楚：兩段 95% 信賴區間 16.70～20.10 與 19.08～22.92 疊了 1.02 天，t 檢定卻是 2.16 對 2.042，達顯著。差別在算式。兩段碰不碰得到，比的是 1.71＋1.92＝3.63 天這個和；檢定用的分母卻是差的標準誤 √（0.80²＋0.90²）＝1.20 天。3.63 大過 2.6，所以疊到了；2.6 除以 1.20，卻已經衝過臨界值。反過來那半同樣站不住——畫的若是標準差線，兩組不重疊也推不出顯著，那截線根本沒在回答這個問題。順帶一提，這批數字的標準差線重疊得更誇張：15.20～21.60 對 17.40～24.60，整整疊了 4.20 天。
- 樣本一多，線就變短，於是宣布「品質變穩了」。標準誤的分母是 √n。n 從 16 加到 64，標準差還是 3.2 天，標準誤卻從 0.80 掉到 0.40——圖上那截線縮了一半，箱子裡的東西一點都沒動。多量幾箱加強的是證據的強度，產品本身一顆螺絲都沒換；只看線長的人，會把這兩件事讀成同一件。驗收會議上這個誤讀特別貴，因為它通常發生在對方已經想點頭的時候。
- 把誤差線當成「所有的不確定」。它只裝得下抽樣那一份。氣調庫的濃度計整批偏了一點、取樣時挑的都是同一天進的貨、試驗剛好跨過夏天——這些偏差不會讓誤差線變長一毫米，因為它們身上沒有隨機性可言。所以線短到看不見的圖反而更該追問一句：這十六箱是怎麼挑出來的？系統性的歪，誤差線量不到，也不會替你舉手。
那截線，用痛點的眼光再看一次
先問那截線在替誰說話。
軟體吐出來的預設值量的是平均值站得穩不穩——0.80 天的標準誤，說的是「我們這十六箱算出來的 18.4，位置抓得挺準」。可是客戶手上那一箱會撐幾天？那個數字落在 11.4 到 25.4 之間，半長 7.03 天，是預設那截線的八倍以上。兩個數字都對，收件人卻不同：一個講給做試驗的人聽，一個講給要備貨、要寫保固、要決定退貨門檻的人聽。這張圖畫得出平均值有多穩，畫不出客戶願不願意為多出來的 2.6 天付錢——後面那件事只有去問人才會知道，P.A.I.N. 的第一格從來不在信賴區間裡。今晚可以做的一件小事：把手上那張圖的圖說補成一行完整的話——這截線是哪一種、n 是多少、它在回答誰的問題。三十秒，讀圖的人就不必再猜。
常見問題
誤差線重疊，是不是就代表兩組沒有差異？
不能這樣推。95% 信賴區間重疊，只說明兩段區間有交集，跟兩組平均差的檢定走的是不同算式。這一頁的數字就是現成的反例：A 組 16.70～20.10、B 組 19.08～22.92，疊了 1.02 天，t 值卻有 2.16，超過自由度 30 的雙尾臨界值 2.042。要判斷有沒有差，看的是平均差除以差的標準誤，或者直接看差的信賴區間有沒有跨過 0。至於標準誤線與標準差線，重疊與否更是連參考價值都很有限——它們的長度規則跟檢定沒有對應關係。
標準差、標準誤、信賴區間，我該畫哪一種？
看你要人記住哪一件事。想讓人看見這一批東西有多分散，畫標準差；想讓人判斷這個平均值可不可靠，畫 95% 信賴區間——它比裸的標準誤好讀，因為樣本數與 t 值已經折進去了，讀者不必自己心算。單獨畫 1 倍標準誤是最不透明的一種：它最短、最好看，卻要讀者自己補上倍率，才知道那截線到底涵蓋多少。唯一沒有商量餘地的是圖說——哪一種、n 多少，兩件都要寫上去。
為什麼多量幾箱，誤差線就變短了？
因為標準誤的分母是樣本數的平方根。標準差 3.2 天描述的是箱與箱之間的差異，樣本再大也不會系統性地縮小它；標準誤 3.2 ÷ √n 卻會，n＝16 是 0.80 天，n＝64 是 0.40 天。線變短的意思是你對「平均值在哪」愈來愈有把握，跟東西本身變好變壞無關。也因此，拿縮短的標準誤線去宣稱品質改善，是驗收會議上最常見的一種誤讀。
想告訴客戶「單一一箱能撐多久」，該畫什麼？
畫預測區間。信賴區間管的是平均值，預測區間管的是下一個個體，公式多一項：t × 標準差 × √（1＋1/n）。這一頁 A 組代進去是 2.131 × 3.2 × √（1＋1/16）＝7.03 天，區間 11.4～25.4 天，是信賴區間 ±1.71 天的四倍寬。這個寬度看起來很難看，卻正是客戶會碰到的範圍——保固天數、退貨門檻、備貨天數都要從這一段抓，平均值旁邊那截短線給不了這個答案。
打開你上一份簡報裡的那張長條圖，看那截線是誰選的。想弄清楚 n 怎麼一路決定線的長度，接著看檢定力與樣本數；想知道摘要統計還會漏掉什麼，再翻安斯庫姆四重奏。
喜歡這篇文章嗎？
每週幫你拆二本好書，把判斷力、好書金句、好問題，直送你的信箱。
不適合你可隨時退訂 · 每週兩封，陪你把書讀進生活。
送出即表示同意我們依隱私權政策使用你的 email。