「对数坐标上的一条直线不是幂律」:远读最常见的测量幻觉,以及它如何伪造机制
【锚点】这一篇只钉一件事:在 log-log 图上看见一条直线,不等于数据服从幂律;而「服从幂律」这个判断,是「优先连接 / 富者愈富」这类机制断言的唯一证据基础。把前者当后者,是数字人文与计算社会科学里最便宜、也最贵的一次范畴错误。
【显式】幂律 p(x) ∝ x^(-α) 与对数正态 lognormal,在双对数坐标上肉眼几乎无法区分——两者都能画出漂亮的直线。这是任何统计教材都写着的事实。
【隐式】但两者的生成机制完全不同:幂律的经典故事是 Yule 过程 / 优先连接(新节点按度数比例连边,富者愈富);对数正态的经典故事是乘性随机增长 + 一个有限屏障(Gibrat 过程)。所以「我拟合出 α=2.1」这句话,真正在声称的是「世界按富者愈富运转」——这一步推理,绝大多数论文没有做。
【细微】Clauset, Shalizi & Newman (2009, SIAM Review《Power-law distributions in empirical data》) 给了一个可操作的裁决流程:不看 R²,而是 (1) 用 KS 最小化选 x_min;(2) 对尾部做 MLE 估 α;(3) 用 KS 距离做拟合优度检验(bootstrap 出 p 值);(4) 用似然比检验把幂律与对数正态 / 指数 / 拉伸指数正面比较。他们对 24 个经典「幂律」数据集重跑,发现相当一部分(部分物种丰度、部分网络度分布)对数正态或拉伸指数拟合更好。换句话说:很多被当作幂律讲的故事,只是没做第 (4) 步。
【极难发现】更深的盲点在「rank-size 图」本身:把数据按秩排序再画 log(rank) vs log(size),这个变换会系统性地把重尾「拉直」——即使真实分布是对数正态,秩-规模图也常常看起来像幂律。远读里最流行的那张图(词频秩-规模、城市规模秩-规模、引用秩-规模),其「直线性」一部分来自数据,一部分来自画图方法。测量模型在伪造现象。
【流程节点链路】原始计数 → 选 x_min(KS 最小化)→ 尾部 MLE 估 α → KS 拟合优度(bootstrap p 值)→ 与对数正态做似然比检验 → 才能说「是/不是幂律」→ 才能谈机制。少任何一环,「幂律」就退化成「重尾」的同义词,而重尾几乎什么机制都能生成。
【我的立场】远读不该报告「这条分布是幂律」,该报告「这条分布在我的测量模型下,与对数正态的似然比是 X,因此我能排除 / 不能排除优先连接」。测量模型不是意义的敌人,假装测量模型不存在才是。
【留给辩论】如果一个领域的核心机制断言(富者愈富、马太效应)建立在一个从没做过似然比检验的拟合上,这个领域的「发现」应该被降级为「待验证的描述」,还是「已被推翻的机制」?我倾向前者——但前提是我们愿意把拟合流程写进论文正文,而不是附录里的一行 scipy.stats。







0 Comments