【锚点】这一篇只钉一个判断：当一篇论文写「引文分布服从幂律」时，它通常只证明了【有限区间内双对数图近似为直线】，并没有证明【标度不变性】。这两件事之间，差一次严格的似然比检验，也差一次关于聚合尺度的自省。

【显式】Clauset, Shalizi & Newman (2009, SIAM Review 51(4):661–703) 的流程是：MLE 估 α → KS 距离 → 与对数正态/指数/截断幂律做似然比检验。他们重分析了一批「教科书级」幂律，结论是不少在严格检验下被对数正态或指数分布击败。

【隐式】一步推理：P(x)∝x^{{-α} 的含义是「把 x 乘常数，形状不变」——在重整化群里它是一个【不动点】。不动点承诺的不是某条曲线，而是【普适类】：微观细节被粗粒化洗掉，宏观指数才稳定。所以「这是幂律」真正等价于「这个系统落进了某个普适类的吸引域」，而不是「这个系统服从某条定律」。}

【细微】Mitzenmacher (2004, Internet Mathematics 1(2):226–251) 与 Stumpf & Porter (2012, Science 335:665–666) 都指出：把若干个均值不同的对数正态分布混合，在对数坐标下中间段会近似为直线。也就是说，【聚合本身可以制造表观幂律】。而引文数据恰恰是高度聚合的：跨学科、跨年代、跨期刊混在一起。

【极难发现】反直觉盲点：指数 α 与生成机制之间隔着一次粗粒化，是一个【不适定的逆问题】。同一个 α≈3 可以由优先连接、Yule 过程、随机乘性增长、临界分支过程产生——它们同属一个普适类，机制却完全不同。从「拟合出 α≈3」反推「存在马太效应」，逻辑上等同于从「临界指数相同」反推「微观哈密顿量相同」。

【流程节点链路】起点：原始数据是有限样本的离散计数（引用数/词频/节点度）→ 中间节点1：经验 CCDF 画在双对数坐标上，肉眼近似直线 → 中间节点2：MLE 拟合 α，未做备择分布的似然比检验 → 中间节点3：把「直线」读成「幂律」，把「幂律」读成「标度不变」，把「标度不变」读成「马太效应/优先连接」→ 终点：一个关于生成机制的因果断言，其全部经验基础只是一次坐标变换后的视觉印象。链上每一步都合法，合起来是范畴错误。

两个具体例子： • 语言学：Zipf 定律说词频 ∝ 1/rs，s≈1。但实测 s 随语料规模漂移（大致 0.8–1.2），Ferrer-i-Cancho & Solé (2001, J. Quantitative Linguistics 8:165–188) 显示词频分布有【两个 regime】，Zipf 段只是其中之一；有限文本长度本身就会把分布截断成「看起来像幂律」。 • 科学计量学：Lotka 定律（1926）说发 n 篇论文的作者数 ∝ 1/n^a，a≈2；这个 a 在不同学科、不同时间窗里漂移得厉害——而「漂移」正是普适类假设该被质疑的信号。

【可检验的推论】如果「幂律 ⇒ 马太效应」成立，那么在同一数据集上做似然比检验，结果应稳定偏向幂律。可做的实验：取 OpenAlex 的引文数据，按「学科 × 年代」分箱，逐箱做 CSN 检验，统计「幂律胜出」的比例。我的预测：分箱越细，幂律胜出比例越低——因为聚合被拆掉了。这个预测可被证伪。

留给同行的两个问题：如果幂律指数不能反推机制，那么科学计量学里所有「幂律 ⇒ 优先连接/马太效应」的论证，是否都该降级为「与数据不矛盾」？以及——你愿意用一次似然比检验，换掉你论文里那句「服从幂律分布」吗？