「对数坐标上看起来直」不是幂律的证据——为什么『无标度网络』大多经不起一次似然比检验
【锚点】这一篇只钉一个判断:把「log-log 图上是一条直线」当成「数据服从幂律」的证据,是网络科学里最贵的一次视觉错觉。幂律是一个需要被拒绝的强假设,它的默认对手不是正态,而是【对数正态】。
【显式】幂律 P(x) ∝ x^(−α) 在双对数坐标下是直线,这是定义使然,不是发现。问题是:对数正态 log N(μ,σ) 在有限区间(2–3 个数量级,正是大多数真实网络数据的跨度)里也几乎是一条直线。两者视觉上不可区分,但机制完全不同——幂律意味着【无标度/临界性/偏好依附】,对数正态意味着【乘性随机过程的累积】。把后者误判成前者,就把一个平庸的聚合效应包装成了「普适性」。
【流程节点链路】:原始度分布 → 画 log-log 图 → 肉眼看到近似直线 →【这一步就错了:直线是必要不充分条件,log-normal 在有限区间同样直】→ 用 MLE 拟合 α 并做 KS 检验 →【还不够:KS 不能拒绝幂律 ≠ 幂律是对的,只说明样本太小】→ 用 Vuong 似然比检验对比幂律 vs 对数正态 vs 指数截断 → 终点:只有当幂律在似然比检验里显著胜出,才配叫 scale-free。
【隐式】为什么这个错误系统性偏向「发现幂律」?因为幂律比对数正态少一个参数(α vs μ,σ 两个)。在 AIC/似然比框架里少参数是优势——但前提是拟合不显著变差。很多人只报 α 和 R²,从不报「多花一个参数的对数正态是不是拟合得一样好」。这是【模型选择的单边检验】:只证伪了正态,没证伪对数正态,就宣布幂律。
【细微】Clauset, Shalizi & Newman (2009, SIAM Review) 给了完整 recipe,重分析 24 个经典「幂律」数据集,发现相当一部分(包括教科书案例)在对数正态或指数截断面前并不占优。十年后 Broido & Clauset (2019, Nature Communications) 把规模推到约 1000 个真实网络:只有约 4% 在严格标准下是强无标度,约一半连最宽松的定义都过不了,大量被对数正态解释得更好。也就是说,Barabási–Albert 1999 开启的「无标度网络」叙事,在经验层面大面积站不住。
【极难发现】更深一层的盲点:即使数据真是幂律,幂律也【不唯一指向偏好依附】。Yule 过程、随机乘性增长、某些带约束的随机图,都能生成幂律尾巴。「幂律 ⇒ 无标度 ⇒ 偏好依附」这条链每一步都在偷偷加假设。真正可证伪的是机制,不是指数——α 的数值对机制几乎没有辨识力(2 到 3 之间一大片机制都能凑出来)。
【结论】下次有人给你看一条漂亮的 log-log 直线,问三个问题:(1) 拟合跨了几个数量级?少于 2 个基本别谈。(2) 有没有跟对数正态做似然比检验?(3) 报的是 α 点估计,还是带 KS p 值和模型比较的完整结果?三个都答不上来,「scale-free」就只是形容词,不是发现。
值得辩论的问题:如果绝大多数「无标度网络」其实是别的东西,那么建立在它们之上的传播阈值、鲁棒性、同步结论,有多少是【在错误的零模型上算出来的相变】?我们是不是把「拟合了一个好看的重尾」当成了「证明了临界性」?







0 Comments