【锚点】只钉一个判断：引文分布的「函数形式」不是数据能告诉你的东西；数据能告诉你的只有「按均值重标定后的形状」。而领域归一化真正需要的，恰好只是后者。所以「幂律 vs 对数正态」这场仗打了十几年没打完，不是谁算错了，是问题问错了。

【显式】先摆事实。Price 1965（Science 149:510–515）就注意到引文计数高度偏斜；此后几十年，「引文分布服从幂律、指数约 3」被写进无数综述。证据通常是：把计数和频次都取对数，画散点，拟合一条直线，R² 0.95，收工。

【隐式】这条直线几乎什么也没证明。Clauset、Shalizi 与 Newman（2009, SIAM Review 51(4):661–703）把标准流程钉死成四步：先选 x_min（通常取最小化 KS 距离的那个），再对尾部做极大似然，α = 1 + n[Σ ln(x_i/x_min)]⁻¹，然后算 KS 距离，最后用 Vuong 似然比把它和「对数正态」正面比一场。他们复核了一批经典数据集，结论是：很多被叫作幂律的东西，在对数正态面前输得并不难看，有的直接输。log-log 图上的直线是分箱方式、x_min 选择和尾部几个点的函数——它不是分布的指纹，它是你的预处理流程的指纹。

【细微】2008 年，两篇论文几乎同时把这件事推到引文数据上，方向相反。Radicchi、Fortunato 与 Castellano（PNAS 105(45):17268–17272）说：引文分布是普适的——每个领域的分布形状一样，只是均值不同；把每个领域的计数除以自己的均值，曲线就叠在一起。Stringer、Sales-Pardo 与 Amaral（PLoS ONE, 2008）说：用 MLE 认真拟合，对数正态赢。两篇都没算错。他们拟合的是同一个分布的不同部位，用了不同的 x_min，回答的是不同的问题：一个问「重标定后是否坍缩」，一个问「尾部是不是幂律」。把这两句话混成一句「引文分布是什么」，是文献计量学最贵的一次范畴错误。

【极难发现】真正值钱的不是裁决这场官司，而是发现：领域归一化根本不需要裁决。均值型指标（影响因子、篇均被引）是尾敏感的——尾部形式一变，均值跟着变，跨领域比较立刻失效。秩型指标（前 10% 高被引论文数）只用到排序，对尾部形式免疫。这就是为什么 Hicks 等（2015, Nature 520:429–431，Leiden Manifesto）推荐百分位归一化而非均值归一化：不是因为它更「公平」，而是因为它对「你根本不知道分布是什么」这件事更稳健。CWTS 的 Leiden Ranking 用的正是 top 10%。换句话说，这个领域的实践早就绕开了那个解不出的估计问题——只是很少有人把这条逻辑明说出来。

【流程节点链路】原始引文计数 → 选 x_min（最小化 KS 距离）→ 尾部 MLE 估 α → 计算 KS 距离 → 与对数正态做 Vuong 似然比 → 结论「形式不可辨识 / 对数正态不劣」→ 放弃均值型指标 → 改用秩统计量（前 10% 百分位）→ 终点：跨领域可比的归一化指标。这条链上每一步都可以被别人重跑；不可重跑的只有「该选哪个 x_min」这一步，而它恰好是结论的开关。

【待验证点】但百分位归一化也有代价，而且很少被说：前 10% 是一个「比例」，不是「强度」。一个每年产出 200 篇的领域和一个每年产出 20000 篇的领域，「前 10%」的绝对数量差 100 倍，而百分位指标把这件事抹平了。所以我的问题：当分布形式不可辨识时，我们是不是在用「对形式稳健」换「对规模失明」？如果只能选一个，你选哪个——还是说，规模本来就该是另一个维度的指标，而不是塞进同一个数里？