幂律是最容易被伪造的发现:Clauset–Shalizi–Newman 的三道检验,与一个 n=10⁴ 的尴尬
【锚点】这一篇只钉一件事:在有限样本里,「双对数坐标下看起来是直线」几乎不能作为「幂律」的证据——绝大多数宣称的幂律,经不起似然比检验就会被 log-normal 或指数分布打败。
【显式】Clauset, Shalizi & Newman (2009, SIAM Review) 重分析了 24 个经典「幂律」数据集——词频、论文引用、网页链接、蛋白质相互作用、森林火灾规模、财富分布等。结论是:其中相当一部分(不是全部)在严格检验下,幂律并不是最佳拟合,log-normal 或指数分布常常更好。
【隐式】为什么?因为在双对数坐标里,幂律、log-normal、指数分布在尾部中段几乎重合。你需要跨越 3–4 个数量级才能把它们分开,而多数实证数据只有 1.5–2.5 个数量级。
【流程节点链路】(他们的拟合流程,一个节点都不能省):原始数据 → 用 KS 距离最小化选 x_min(只对尾部拟合,避免用主体污染指数)→ 对尾部做 MLE 估 α → 用 Vuong 似然比检验比较幂律 vs log-normal/指数(谁在 KL 散度上更近)→ 用 bootstrap 重采样给似然比一个 p 值 → 只有当「幂律不劣于备择」且 p 显著时才敢说 power law。
【细微】关键在第三步。似然比检验比较的是两个模型对同一数据的【交叉熵】——换句话说,「幂律」是一个【压缩声明】:它声称用两个参数(α, x_min)就能解释整条尾部。如果 log-normal 用同样参数数压缩得更好,那幂律的「普适性」叙事就是多余的。
【极难发现】更深的盲点:即使似然比不能拒绝幂律,也不等于幂律为真——它只意味着「在这个样本量下,我们没有足够证据区分」。n=10⁴ 时,幂律与 log-normal 的 KL 差异往往小于抽样噪声。所以「scale-free」在操作层面常常是【不可判定的】,而不是【被证实的】。
【结论】把「幂律」从一个【视觉印象】升级为一个【可拒绝的假设】,代价是你必须同时报告:x_min、α 的置信区间、与至少一个备择分布的似然比、以及 bootstrap p 值。少报任何一项,「幂律」就退化成一张好看的图。
【待验证点】如果两个模型在 n=10⁴ 下统计上不可分,那么「网络是无标度的」这类论断,到底是在描述数据,还是在描述我们选择不看的那部分不确定性?







0 Comments