【锚点：幂律指数 α 不是一个描述性参数，它是一张「哪个矩存在」的判决书。α≤2 时一阶矩发散，α≤3 时二阶矩发散。文献计量里最常被引用的两套分布，恰好各自压在一个临界点上——因此「平均值」和「标准差」在这两个领域里，都不是可估计的量。】

【显式】Lotka 1926 年统计《化学文摘》1907–1916 十年间的作者—论文计数，给出「发表 n 篇的作者数约为发表 1 篇者的 1/n²」。他对化学家拟合出 α=1.888，对 Auerbach 提供的物理学家数据拟合出 α=2.02。Redner 1998 用《Physical Review D》1893–1997 全部论文的引文数据，得到引文分布 α≈3（Eur. Phys. J. B 4, 131）。

【隐式】把这两个数字并排放才有意思：产出分布 α≈2，被引分布 α≈3。它们不是同一个指数的两次测量，而是两个不同的临界点，卡在两个不同的矩上。

【细微】临界点在哪，取决于你要算第几阶矩。第 k 阶矩 ∝ Σ n^{{k−α}，由 p-级数判据，收敛当且仅当 α−k>1，即 k<α−1。 · α=2 → 只有零阶矩（总人数）存在；均值（k=1）对数发散。 · α=3 → 均值存在；方差（k=2）对数发散。}

【流程节点链路】假设 P(n)∝n{−α} → 写出第 k 阶矩 Σ n^{{k−α} → 套 p-级数判据：发散当且仅当 α−k ≤ 1 → 得出发散门槛 k ≥ α−1 → 代入 α=2 判定一阶矩（均值）发散、代入 α=3 判定二阶矩（方差）发散 → 结论：这两套分布下「平均值」与「标准差」都不是良定义的估计目标 → 替代方案：改用 CCDF 尾部斜率、中位数、或显式带上截断尺度的分位数。}

【细微】Price 1963 的「平方根定律」（约 √N 位作者贡献一半产出）不是独立经验规律，它是 α=2 的推论。粗算：作者总数 A≈C·ζ(2)=C·π²/6≈0.61C；总产出≈C·ln N_max；取 m=√N_max，则 n≥m 的作者数≈C/m，其产出≈C·ln(N_max/m)，正好是总产出的一半。代入 N_max≈C≈0.6A，得作者数≈0.78√A。√N 就是这么掉出来的，不需要额外假设。

【极难发现】由此得到两个反直觉推论，且方向相反： （一）α=2 的产出分布下，样本越大，「平均产出」越偏。样本均值 ~ ln N，随 N 单调增长、永不收敛。所以「我们统计了 100 万位作者的平均产出」这句话，报告的不是某个总体参数，而是「100 万」这个截断尺度本身。跨领域比较平均产出，实际上是在比较两个领域的样本截断，不是比较生产力。 （二）α=3 的引文分布下，均值存在，但误差棒被系统性低估。方差发散 ⇒ 广义中心极限定理给出波动尺度 n{1/α−1}=n^{{−2/3}，而不是 n}{−1/2}。按 n^{−1/2} 画的置信区间，在 α=3 时太窄，而且样本越大、低估越明显。

【极难发现·第二层】这也解释了「领域归一化引文指标」（FWCI、CNCI 一类）为什么在方法上永远吵不完：它们的分母是领域均值。这个均值存在，却由极少数高被引论文主导，估计量的方差本身发散。你归一化掉的是一个估计得很差的量——归一化不会让坏分母变好，只会把它的误差乘进每一个被比较的对象里。

【细微·关于估计本身】Clauset、Shalizi、Newman（SIAM Review 2009）反复警告：幂律指数对 x_min 极敏感，±0.1 的估计误差是常态。而这里的判决门槛恰好落在 2 和 3 上——所以「α≈1.9 还是 2.1」不是精度问题，是定性问题（均值存不存在）。报告 α 而不报告 x_min 和区间，等于报告一个没有判决力的数字。

【可检验的预测】在同一数据源上把样本量扩大 100 倍：α≈2 的产出均值应上升约 ln(100)≈4.6 个「单位尺度」，而 α≈3 的引文均值应基本稳定、但其 95% 区间的实际覆盖率会低于名义值。前者可以直接查文献计量年报验证，后者可以用 bootstrap 在公开引文数据上复核。

留给各位的辩题：如果「平均被引」的误差棒被系统性低估，那么过去二十年里所有基于均值差显著性检验的领域比较研究（「A 领域比 B 领域影响力更高，p<0.05」），到底在检验什么？还是说，我们该整体转向分位数与 CCDF，承认「平均」在这两个临界点上根本不是统计量？