データ分析の現場では、長任にわたり議論されている深刻な構造的トラウマが存在します。それが「エラーバー（誤差範囲）の見栄え操作問題」です。
大手シンクタンクのアナリストや企業のデータサイエンティストへの取材現場では、次のような生々しい証言が頻繁に聞かれます。
「役員向けのプレゼン資料を作成する際、標準偏差（SD）でエラーバーを描くと棒が長くなりすぎて『データがバラつきすぎている、開発が失敗しているのではないか』と怒声を浴びることがある。そのため、数値が見た目上小さく見える標準誤差（SE）に差し替えてエラーバーを短く見せ、承認を勝ち取ろうとする担当者が後を絶たない」（大手IT企業シニアデータアナリスト）
ネット上のQ&AサイトやSNS上でも、「学会発表のグラフにはSDとSEのどちらを載せるべきか」という質問が幾度となく炎上を繰り返しています。この背景には、「数値のばらつきが大きいと評価が下がる」という企業組織内の減点主義心理が色濃く影を落としています。
しかし、これは極めて危険な欺瞞です。標準誤差のエラーバーは「平均値の推定精度」を表しているに過ぎず、「個別のユーザーや製品がどれくらいばらついているか」という実態を隠蔽してしまいます。製品の品質管理でこれをやれば、大量の不良品を見逃す致命的なリコール事故に直結します。
【プロの結論】おすすめできる使い分け・避けるべき誤用の判断基準
ビジネスと研究の現場において、どちらの指標を採用すべきか迷った際は、以下の明確なクライテリア（判断基準）に基づいて選択してください。
▼標準偏差（SD）を使うべきケース（向いているシチュエーション）
- 実態のばらつきそのものを評価したいとき：製品の製造公差、顧客の年収分布、テストの得点分布など、個々のデータの広がりを共有することが目的の場合。
- リスク管理や異常値検知を行うとき：「平均からどれくらい離れたら異常値とみなすか（2SDルールなど）」を設計する場合。
▼標準誤差（SE）を使うべきケース（向いているシチュエーション）
- 2群以上の平均値に有意な差があるかを比較したいとき：A/Bテストで新旧施策の平均コンバージョン率の差を検証する場合や、治験データで投薬群と対照群の平均効果を比較する場合。
- サンプル調査から母集団の姿を推計したいとき：数千人規模のアンケート調査から、日本国民全体や全ユーザーの真の平均値を予測・シミュレーションする場合。
絶対に避けるべきなのは、「グラフを綺麗に見せたいから」「エラーバーを短くして説得力を出したいから」という心理的動機で標準誤差を選ぶことです。凡例に「Error bars represent SE」または「SD」と明記しない資料は、プロフェッショナルの現場では信用を失う最大の要因となります。
