可以将它们称为误差线，但由于它们是不对称的，它们并不代表标准误差，因此谈论“下/上标准误差”是不正确的。

我假设这里的误差线代表置信区间，尽管如果它们是使用贝叶斯方法构建的，它们也可能是可信区间。

很难确定你是否不打算告诉我们你从哪里得到这张图。

根据您更新的问题，@onestop 的声明仍然有效：不能称它们为标准错误。此外，该方法看起来很奇怪且不标准。在你的情况下真正做的是把人口分成两部分（高于和低于平均值的值）并计算那个人口的标准误差，而不是你的真实人口，因此，我个人觉得分配长度很奇怪以这种方式的误差线。显然，这里所做的想法是从这里得到的。但是，恕我直言，划分样本并计算“上下”标准偏差的想法没有多大意义（或者至少它让我感到困扰）。

然而，在物理学（我所在的领域，显然是您的领域）中，显示样本中位数或均值的 68% 置信区间（取决于您选择的位置统计数据；我们称其为统计数据）在某种程度上是标准的$\bar{X}$目前）以下列方式用于非对称分布（显然模拟中央可信区间）：使用您的数据点，您计算$\bar{X}$然后报告长度的上误差条$L_u$， 在哪里$L_u$计算以满足$P(\bar{X}<\mu<\bar{X}+L_u)= 0.34$， 在哪里$\mu$是真实（未知）参数。然后，对于您的较低长度误差条$L_l$，您重复相同的过程，但现在在位置统计信息的下方$\bar{X}$， IE，$P(\bar{X}-L_l<\mu<\bar{X})= 0.34$. 当然，因为分布$\bar{X}$通常不知道这通常使用非参数方法（例如 Bootstrap 或它的一些变体）来完成。

正如@onestop 也指出的那样，您还可以获得贝叶斯可信区间，您可以在其中实际计算给定数据的参数的概率（密度，在连续情况下）。我们称这个概率为$p(x|D)$. 现在以更“自然的方式”（至少对我而言）计算下误差条的长度，以满足$P(\hat{x}-L_l<x<\hat{x}|D)=0.34$，现在计算上误差条的长度以满足$P(\hat{x}<x<\hat{x}+L_u|D)=0.34$， 在哪里$\hat{x}$是您对参数的点估计（通常是中位数甚至众数）。

当然，只有当您的参数是单峰时，上述所有内容才有意义。