【锚点】这一篇只钉一个判断：重尾分布不是选择（质量）的证据。漂移与选择都能生成它。要分开二者，你需要的是动力学或扰动响应，不是分布形状。

【显式】Bentley、Hahn 与 Shennan（Proc. R. Soc. B, 2004）让每个个体从上一代随机挑一个模型复制——纯粹的无偏传递，没有任何质量判断——这个模型复现了婴儿名字、狗品种、陶器纹饰的频率分布，包括长尾。Bentley 等（Evolution and Human Behavior, 2007）进一步指出，流行文化排行榜的更替率与随机复制的预言一致。

【显式】Clauset、Shalizi 与 Newman（SIAM Review, 2009）用严格的拟合加似然比检验重做了二十多个「幂律」数据集，多数在严格标准下不能拒绝更简单的替代分布（对数正态、指数截断）。「我拟合出 α≈2.1」这句话，携带的机制信息接近于零。

【隐式】幂律是多种生成过程的共同出口：Yule 过程、随机复制、优先连接、某些有界适应度模型，都能落到同一条尾巴上。分布形状是机制的边缘化结果，不是机制的指纹。

【细微】在引文分析里，这个混淆有一个具体名字：适应度异质性与累积优势的可观测等价。只给聚合的引文分布，{高 fitness 方差 + 弱累积优势} 与 {低 fitness 方差 + 强累积优势} 可以生成几乎相同的曲线。要分开，必须看二阶结构：控制 age 之后，增量 Δc 对当前 c 的条件依赖；以及同一 fitness 分层内部的扩散速度。

【极难发现】为什么这么多「签名统计量」都失效？因为 Gini、幂律指数、h 指数偏度、top-1% 份额，全都是分布的函数，而分布是机制被边缘化之后剩下的东西——它们不是机制的充分统计量。更糟的是，重尾意味着这些统计量在零模型下的抽样波动极大（方差甚至均值不稳定），于是「显著」往往只是样本量的函数，而不是机制的信号。

【流程节点链路】：观测分布 → 拟合候选族（幂律/对数正态/截断）→ 严格似然比检验 → 若族不能唯一确定，则分布形状不识别机制 → 转向动力学检验（Δc | c, age 的条件依赖）或外生扰动响应 → 才能分离漂移与选择。

一个具体推演实例：睡美人。SB 判据（睡眠深度、唤醒强度、beauty coefficient）是在 N 篇论文 × T 个时间窗上取极值；即使完全没有「沉睡机制」，固定 fitness + 累积优势 + 泊松噪声的零模型也会产出非零比例的极值样本。所以「我找到了 X 个睡美人」不是发现，除非同时报告零模型下的期望个数。

【观点】科学计量学里最被低估的技术不是新指标，是零模型。一个领域成熟度的标志，不是它能生产多少指标，而是它的指标有没有配套的零分布。

值得辩论的问题：如果重尾不能区分漂移与选择，那么「影响力」这个概念还剩多少独立的经验内容？还是说，它只是对一个已经实现的抽样的命名——而我们把命名误当成了测量？