作为对我的问题的启发性答案和讨论的结果，我构建了以下不依赖于任何基于模型的参数的图，但呈现了基础数据。

原因是与我可能选择的任何类型的标准误差无关，标准误差是基于模型的参数。那么，为什么不呈现底层数据，从而传递更多信息呢？

此外，如果从方差分析中选择 SE，我的具体问题会出现两个问题。
首先（至少对我而言）不知何故不清楚SPSS方差分析输出中的 SE 实际上是什么（另见评论中的讨论）。它们在某种程度上与 MSE 相关，但我不知道到底是什么。
其次，它们仅在满足基本假设时才合理。然而，如下图所示，显然违反了方差同质性的假设。

带有箱线图的地块：

包含所有数据点的图：

请注意，这两组有点向左或向右错位：向左演绎，向右归纳。均值仍以黑色绘制，背景中的数据或箱线图以灰色绘制。左侧和右侧图之间的差异在于均值的错位是否与点或箱线图相同，或者它们是否居中呈现。
抱歉，图表质量不佳和缺少 x 轴标签。

剩下的问题是，上述地块中的哪一个是现在要选择的地块。我必须考虑一下并询问我们论文的另一位作者。但现在，我更喜欢“手段错位的点”。我仍然会对评论非常感兴趣。

更新：经过一些编程后，我终于设法编写了一个 R 函数来自动创建一个类似点的图，其均值错位。检查出来（并给我发评论）！

对于这种类型的实验设计，您将找不到用于推理目的的单个合理误差条。这是一个老问题，没有明确的解决方案。

似乎不可能在这里获得估计的 SE。在这样的设计中有两种主要的误差，即 S 间误差和 S 内误差。它们通常彼此非常不同，并且没有可比性。真的没有很好的单一误差条来表示您的数据。

有人可能会争辩说，数据中的原始 SE 或 SD 在描述性而非推理意义上是最重要的。它们要么讲述集中趋势估计 (SE) 的质量，要么讲述数据的可变性 (SD)。然而，即便如此，它还是有些虚伪，因为您在 S 内测试和测量的东西不是原始值，而是 S 内变量的影响。因此，就内部 S 效应而言，报告原始值的可变性要么没有意义，要么具有误导性。

我通常认可此类图表和相邻效果图上没有误差条，表明效果的可变性。人们可能在该图上有完全合理的 CI。有关效果图的示例，请参见 Masson & Loftus (2003)。只需消除它们显示的平均值周围的（（几乎完全无用的）误差线，然后使用效果误差线。

对于您的研究，我首先将数据重新绘制为 2 x 2 x 2 设计（2-panel 2x2），然后在图表旁边立即绘制有效性、合理性、指导和交互效果的置信区间。将指令组的 SD 和 SE 放在表格或文本中。

（等待预期的混合效应分析响应；））

更新：好的，编辑后很明显，您唯一需要的是用于显示价值估计质量的 SE。在这种情况下，请使用您的模型值。这两个值均基于模型，并且您的样本中没有“真实”值。使用您应用于数据的模型中的那些。但是，请确保您在图标题中警告读者，这些 SE 对您的内部 S 效果或交互没有任何推论价值。

UPDATE2：回顾您提供的数据......这看起来很可疑，就像首先不应该使用 ANOVA 分析的百分比。不管是不是，它是一个最大值为 100 并且在极端情况下减少了方差的变量，因此它仍然不应该使用 ANOVA 进行分析。我非常喜欢你的 rm.plot 情节。我仍然很想单独绘制条件之间的图，显示原始数据，并在条件内显示数据之间的 S 变异性被删除。

这看起来是一个非常好的实验，所以恭喜！

我同意 John Christie 的观点，它是一个混合模型，但如果它可以在 ANOVA 设计中正确指定（并且是平衡的），我不明白为什么它不能如此公式化。受试者内的两个因素和受试者之间的一因素，但受试者之间的因素（归纳/演绎）清楚地相互作用（修改）了受试者内的影响。我假设绘制的均值来自 ANOVA 模型 (LHS)，因此模型是正确指定的。干得好 - 这很重要！

几点：1）“估计”与“实际”“错误”是错误的二分法。两者都假设一个基础模型并在此基础上进行估计。如果模型是合理的，我认为最好使用基于模型的估计（它们基于更大样本的汇集）。但正如詹姆斯所提到的，错误会因您进行的比较而有所不同，因此不可能有简单的表示。

2）我希望看到绘制的箱线图或单个数据点（如果没有太多），可能带有一些横向抖动，因此可以区分具有相同值的点。

http://en.wikipedia.org/wiki/Box_plot

3）如果您必须绘制均值误差的估计值，切勿绘制 SD - 它们是样本标准差的估计值，与总体可变性有关，而不是均值的统计比较。通常最好绘制 95% 置信区间而不是 SE，但在这种情况下不是（见 1 和约翰的观点）

4) 这个数据与我有关的一个问题是统一方差的假设可能被违反，因为“MP Valid and Plausible”数据显然受到 100% 的限制，特别是对于演绎的人。我在自己的脑海中折腾这个问题有多重要。转向混合效应 logit（二项式概率）可能是理想的解决方案，但很难问。最好让其他人回答。

最近我一直在使用混合效应分析，并且在尝试开发一种随附的可视化数据分析方法时，我一直在使用自举（参见我的描述here），它产生的置信区间不易受到组内与组间问题的影响的传统 CI。

另外，我会避免将多个变量映射到相同的视觉美学，​​就像您在上图中所做的那样；您有 3 个变量（MP/AC、有效/无效、合理/不合理）映射到 x 轴，这使得解析设计和模式变得相当困难。我建议改为将 MP/AC 映射到 x 轴，将有效/无效映射到 facet 列，并将似是而非/不合理的映射到 facet 行。查看 R 中的 ggplot2 以轻松实现此目的，例如：

library(ggplot2)
ggplot(
    data = my_data
    , mapping = aes(
        y = mean_endorsement
        , x = mp_ac
        , linetype = deductive_inductive
        , shape = deductive_inductive
)+
geom_point()+
geom_line()+
facet_grid(
    plausible_implausible ~ valid_invalid
)