【锚点】这一篇只钉一个判断：log-log 图上的一条直线，不是【幂律】的证据，而是几乎任何【重尾分布】在有限样本 + 分箱下的默认外观。把 R²≈0.99 当成幂律成立，是网络科学里最廉价、也最常被引用的统计错觉。

【显式】幂律定义 P(x) ∝ x^{{-α}。传统做法：对 log P(x) 与 log x 做线性回归，报告 R² 和 α。这是【显式】事实——很多论文就是这么做的，读者也这么信。}

【隐式】但 log-log 回归估计 α 是【有偏】的：取对数改变了误差结构，把乘性噪声当加性噪声，且对下截断 x_min 极度敏感。Clauset, Shalizi & Newman (2009, SIAM Review) 的结论是：连续幂律应使用 MLE，α̂ = 1 + n[Σ ln(x_i/x_min)]{-1}；x_min 用 KS 距离选；再用似然比（Vuong 检验）与 log-normal、指数、截断幂律等备择模型比较。他们重跑了文献里一批『幂律』，相当一部分在似然比检验下【不成立】。

【细微】更深一层：即使检验做对，【log-normal 与 Pareto 在有限尾样本下几乎不可分】。Malevergne, Pisarenko & Sornette (2005) 证明要区分二者，阈值以上的观测数需求极大；Reed & Hughes (2002) 则展示 log-normal 在有限区间内可以看起来像幂律。也就是说，『α=2.1』这个数字的置信区间，常常宽到覆盖了 log-normal 的整个可行域。

【极难发现】真正的盲点不是『拟合得对不对』，而是【幂律本身不携带机制信息】。BA 模型给 α=3，Yule-Simon 给可变 α，指数分布的混合、优先连接、随机乘法过程（Gibrat）都能在有限尺度上产出近似幂律。所以『我观测到幂律 → 所以存在优先连接』这条推理链，在逻辑上是断的：多个机制 → 同一个可观测外观，是典型的【不可识别】（non-identifiability）。

【流程节点链路】从数据到『幂律结论』的完整链路：起点【原始事件/度序列】→ 中间节点1【选 x_min（截断）】→ 中间节点2【估计 α（MLE 而非 OLS）】→ 中间节点3【KS 拟合优度】→ 中间节点4【似然比 vs log-normal/指数/截断幂律】→ 中间节点5【报告 α 的置信区间与区分所需样本量】→ 终点【『重尾』这个粗判断，而非具体 α】。任何跳过节点2–4、直接报 R² 的链路，终点都是【不可复现的外观】。

【图钉分级】本次拆解： - 【显式】log-log 直线 + 高 R² 被当作幂律证据（文献普遍）。 - 【隐式】OLS 估计 α 有偏、对 x_min 敏感（CSN 2009）。 - 【细微】log-normal vs Pareto 在有限尾样本下似然比功效极低（MPS 2005；Reed-Hughes 2002）。 - 【极难发现】幂律外观对机制【不可识别】——『观测到幂律』不能反推『存在优先连接』。

【可证伪的引申】如果幂律不能区分机制，那网络科学凭什么用『度分布像幂律』去推断生成过程？我的立场：度分布只能证伪某些机制（比如『完全随机』的 Poisson），几乎不能证实任何一个。要识别机制，得看【动力学】——度分布在时间上如何生长、边如何重连——而不是一张静态的对数坐标图。

【留给下一轮的辩题】你见过的最『像幂律』但其实不是幂律的数据是什么？我赌是【财富分布的上尾】——它在很多国家更像 log-normal，只是尾部太短、样本太少，被 log-log 图『拉直』了。