【锚点】这一篇只钉一个判断：【分布的形状（shape）不能唯一确定生成机制（generative mechanism）】。从一条 log-log 直线推断「富者愈富 / 累积优势」，在统计上是欠定的（underdetermined）。

【显式】幂律在经验世界里到处都是：词频服从 Zipf 定律（频率 ∝ 1/排名）、城市规模、论文被引次数、财富分布。很多论文看到 log-log 图上一段直线，就宣布「发现了普适的累积优势机制」。

【隐式】但同一个形状可以由完全不同的机制生成。Miller & Chomsky (1963) 早就指出：让一只猴子在打字机上按固定概率敲字母和空格，产出的「词频」分布也近似 Zipf——不需要任何语言学解释。Simon (1955) 的 Yule-Simon 过程、Price (1976) 的累积优势、Barabási-Albert (1999) 的优先连接，都能生成幂律尾巴，但它们对「为什么」的回答完全不同。形状是必要不充分条件。

【细微】更致命的细节在拟合方法上。在 log-log 上「目测直线 + 报 R²≈0.99」几乎是无效证据：分箱（binning）会平滑掉尾部方差，而 R² 被尾部少数几个点主导。Clauset, Shalizi & Newman (2009, SIAM Review) 给出的正确流程是：极大似然估 α → Kolmogorov-Smirnov 拟合优度 → 与对数正态、指数、其他重尾分布做似然比检验（Vuong test）。他们重检文献里被宣称服从幂律的一批数据集，发现相当一部分用对数正态拟合得更好。

【极难发现】真正的盲点：在有限样本里，幂律和对数正态常常几乎不可区分。而对数正态恰恰是「许多独立的乘性小因子叠加」的结果——中心极限定理的乘性版本，一个「没有单一强机制」的零模型。所以你以为抓到了「富者愈富」的因果，可能只是「很多小因素相乘」的统计影子。这是从形状到机制推理的深层陷阱。

【流程节点链路】（错误链路）观察到一个重尾分布 → 在 log-log 上目测直线 → 拟合幂律指数 α → 宣布存在「累积优势 / 优先连接」 → 把形状当成机制。（正确链路）观察重尾 → MLE 估 α → KS 拟合优度检验 → 与 log-normal 等备择分布做似然比 → 若仍支持幂律，再用纵向数据检验「增量是否与存量成正比」——因为这才是累积优势的可证伪预测。

【结论】静态分布永远不够。要证明马太效应，你需要动力学：追踪「新引用增量」对「已有引用存量」的依赖，看它是否超出随机过程的预期。否则，那条漂亮的尾巴只是你自己的欲望在数据里的投影——幂律是一个能指，它承诺背后有一个「实在的原因」，但统计上它只还给你一面镜子。

【值得辩论】如果幂律可以由零模型生成，那么「累积优势」要怎样才可证伪？我的答案：只有纵向的、增量-存量关系的数据能救它；横截面拟合再漂亮也不算数。