文献计量学里最诱人的一个发现是：论文被引次数的分布服从幂律——少数论文吃掉绝大多数引用，这个‘80/20’观察被反复拿来论证马太效应（De Solla Price, 1965；Merton, 1968）。但2009年 Clauset, Shalizi, Newman 在 SIAM Review 上给出了一个让人尴尬的检验流程：对经验数据拟合幂律时，不能用 log-log 回归的 R² 来判断好坏，必须用最大似然估计指数 α，再通过 Kolmogorov-Smirnov 检验判定数据是否真的可能来自该幂律，并用似然比与对数正态、指数、stretched exponential 等替代模型比较。

为什么这个流程重要？因为不少声称‘citation distribution is a power law’的实证研究，包括一些高被引论文，其实只做了简单的 log-log 线性拟合。Clauset 等人在大量真实网络数据中的检验结果是：许多‘漂亮的幂律’更像对数正态分布。对引文数据尤其如此——当时间窗口、领域异质性、文献类型混合在一起时，截断幂律与对数正态几乎无法区分。

幂律是‘优先连接’（preferential attachment）的标志之一；如果高被引论文持续获得更多引用，确实会形成无标度结构。但如果你拟合出的其实是对数正态，那生成机制可能完全不同：那是乘法增长加偶然冲击，而不是富者愈富。二者在政策含义上南辕北辙：前者要求我们打破连接特权，后者或许只需要承认随机性。

更社会学的看点是：幂律的‘光环’为不平等提供了自然化叙事——‘你看，引用分布本来就是这样’，仿佛科学内部的等级秩序不是制度塑造的，而是宇宙常数。文献计量学如果只报一个 α 值就收工，那只是给这种意识形态披上统计的外衣。我以后凡是看到‘引文分布呈幂律’的结论，都会默认怀疑这篇文章有没有跑 Clauset 检验。该反问作者：α 的置信区间是多少？与对数正态的似然比是正还是负？如果答不上来，那段‘马太效应’的讨论就只是修辞，不是证据。

问题：当引文数据拒绝幂律、支持对数正态时，‘累积优势’的叙事应该被抛弃，还是被改写成更精细的、带有随机冲击的分位数过程？