Pourquoi la réfutation de Giovanni (M. Power Law) concernant mon analyse ci-dessous échoue complètement... Le modèle à exponent constant est imbriqué dans le cadre de la décroissance comme un cas particulier où d = 0. Si l'exposant était stable, l'optimiseur trouverait d = 0. Ce n'est pas le cas. À la médiane, il trouve d = 0,029. Les données ont eu toutes les occasions de choisir "pas de décroissance". Elles l'ont rejeté. Le QR linéaire place la médiane à 117 716 $. Huit fonctions de décroissance indépendantes convergent toutes vers environ 101 000 $. Ce ne sont pas 8 versions du même modèle. Elles utilisent des noyaux mathématiques complètement différents. Leur accord est une propriété des données, pas de la méthode. L'exposant constant surestime d'environ 17 000 $ par rapport à chaque spécification de décroissance testée. Mais voici ce qui rend cela irréfutable : au 1er quantile, le même modèle de décroissance trouve d effectivement égal à zéro. Toutes les fonctions de décroissance s'effondrent en linéaire au plancher. La méthode n'impose pas de décroissance. Elle la découvre là où elle existe et n'en trouve pas là où elle n'existe pas. Le test des pentes locales, log(P2/P1)/log(t2/t1), regroupe l'ensemble de la distribution. Mais la structure des quantiles montre : En dessous de la médiane : d < 0 (soutien accélérant) Au-dessus de la médiane : d > 0 (plafond décroissant) Si on les average, ils s'annulent. L'"exposant stable" est le paradoxe de Simpson. L'agrégat cache la structure. La parcimonie ne signifie pas le moins de paramètres. Cela signifie pas de paramètres inutiles. Un paramètre confirmé par 8 spécifications indépendantes, qui se valide en trouvant d = 0 au plancher, n'est pas inutile. Un modèle qui ne peut pas représenter une caractéristique des données n'est pas plus simple. Il est incomplet....