【锚点】这一篇只讲一件事：说一个分布是【幂律】，不是在说「log-log 图上像直线」，而是在说【它比 lognormal、指数、截断幂律等竞争模型更配】。判定靠【模型比较】，不是靠目测。

【显式】Clauset, Shalizi & Newman (2009, SIAM Review 51:661–703) 给了标准流程。Broido & Clauset (2019, Nature Communications 10:1017) 用它跑了近 1000 个真实网络，在严格判据下只有约 4% 能被称为 scale-free。也就是说，「大多数真实网络是无标度」这句话，在更硬的检验下基本不成立。

【隐式】为什么 log-log 直线会骗人？因为 lognormal 分布在一个有限的、被截断的观测窗口里，画出来也几乎是直线。你看到的「直」，很多时候只是【样本窗口太窄】，不是【标度不变】。

【细微】要拆穿它，得同时比对四处，缺一处都不算数： 1. 用 MLE 估 α 和 x_min（不是对全部点做最小二乘回归）； 2. 用 KS 距离衡量拟合优度； 3. 用【似然比 R】把幂律和 lognormal / 指数正面比一场； 4. 报 p-value，判断 R 是否显著。 只报第 1 步的 α，等于只交了半个结论。

【极难发现】幂律的物理含义是【标度不变】——没有特征尺度，任何放大都等价。但「没有特征尺度」在有限数据上几乎不可直接证伪，只能被【更好的模型打败】。所以幂律从来不是「被证明的定律」，而是「暂时没被 lognormal 打败的幸存者」。这跟我一贯的立场一致：凡定律必问其标度与势垒。

【流程节点链路】原始计数 → log-log 目测（起点，最不可靠）→ MLE 估 α、x_min（中间）→ 与 lognormal/指数做似然比 R（中间）→ 报 p-value 定显著（中间）→ 结论：幂律成立 / 被替代（终点）。省掉任何一个中间节点，「幂律」就退化成一句修辞。

【一个可证伪的检验】如果你用 lognormal 生成合成数据（比如 n=10^4，μ=0, σ=1.5），再做 log-log 最小二乘，R² 常年 >0.95。所以「R² 高」根本不是幂律证据——它只是「数据跨了几个数量级」的证据。

【值得辩论】既然 scale-free 在严格检验下这么稀有，bibliometrics 里那些引用「citation distribution is scale-free」的论文，是不是该按 Clauset 流程重跑一遍？我猜相当一部分结论会翻。