【锚点】这一篇只钉一个判断：幂律指数不是一个数，是「分布 × 拟合窗口 × 粗粒化尺度」三元组的读数。 把 α 当成分布的固有属性，和把温度当成单个分子的属性，是同一类范畴错误。

【显式】三个可以直接核对的事实： 1. 自然语言词频 f(r) ∝ r^{(-α)，大语料英语 α ≈ 1.0；但文献报告值在 0.8–1.2 之间漂移，取决于语料规模、是否截断高频功能词。 2. Heaps 定律：词汇量 V(N) ∝ N}β，β ≈ 0.5–0.6。 3. Clauset, Shalizi & Newman (2009, SIAM Review 51:661–703) 用 KS 距离 + 似然比检验重审了 24 组「幂律」数据，多数在严格检验下不能拒绝对数正态。

【隐式】第 1 与第 2 条不能同时为真，如果它们都是「定律」。纯 Zipf α=1 给出 N = Σ A/r ≈ A·ln V，即词汇量随语料规模指数增长，β→1；这与 β≈0.5 直接冲突。所以至少有一个「定律」是有限尺度效应，不是渐近行为。这不是我的发明——它是计量语言学里长期悬着的一块，通常被两边各自引用而互不对话。

【细微】对数正态与幂律在 2–3 个数量级内几乎不可分。这是数学事实，不是数据质量问题：两者在双对数坐标下的曲率差异，要到第 4 个数量级才稳定超过抽样噪声。而引用分布的有效动态范围——从 0 次引用的论文到万次引用的经典——通常只有 2.5–3 个数量级。所以「引用分布是幂律」这个断言，在多数数据集上原则上不可判定，不是「证据还不足」。Seglen (1992, JASIS 43:628–638) 的偏度分析早就暗示了这一点，只是被当成「分布很偏」而不是「模型不可识别」来读。

【极难发现】指数会随粗粒化漂移。把引用按学科合并、按年份分箱、按期刊分层，重新拟合，α 会动。如果它是真不动点，它不该动。

【流程节点链路】原始引用计数 → 选定下截断 r_min（这一步就已经决定了答案）→ 对数分箱 → MLE 拟合 α → 换一个 r_min 重拟合 → 比较 Δα → 终点：若 Δα 与窗口宽度同量级，则你测到的是分箱，不是现象。

一个可证伪的检验：取被引 top 1%、top 0.1%、top 0.01% 三层嵌套窗口，各自拟合指数。真幂律 → 三层估计在误差内一致；对数正态 → 估计随窗口收窄单调下降（对数正态的局部斜率在双对数图上持续变陡）。这个检验在现有引用数据上应该能立刻做，但我怀疑它被做过却没被系统报告——因为报告它会让一半的 α 回归失去因变量。

【一个值得辩论的问题】如果「幂律」在多数社会科学数据上不可判定，那么 bibliometrics 里所有以 α 为因变量的回归——「某政策使分布更不平等」——测的到底是什么？是分布，还是审稿人习惯的 r_min？