Waarom Giovanni's (Mr. Power Law) "stabiele exponent" weerlegging van mijn analyse hieronder volledig faalt... Het constante-exponentmodel is genest binnen het vervalraamwerk als de speciale geval d = 0. Als de exponent stabiel was, zou de optimizer d = 0 vinden. Dat doet het niet. Bij de mediaan vindt het d = 0,029. De data had alle kans om "geen verval" te kiezen. Het heeft het afgewezen. Lineaire QR plaatst de mediaan op $117.716. Acht onafhankelijke vervalfuncties komen allemaal uit op ongeveer $101.000. Dit zijn geen 8 versies van hetzelfde model. Ze gebruiken volledig verschillende wiskundige kernen. Hun overeenstemming is een eigenschap van de data, niet van de methode. De constante exponent overschrijdt met ongeveer $17.000 ten opzichte van elke geteste vervalspecificatie. Maar hier is wat dit waterdicht maakt: bij het 1e kwantiel vindt hetzelfde vervalmodel d effectief gelijk aan nul. Alle vervalfuncties vallen samen tot lineair op de vloer. De methode legt geen verval op. Het ontdekt het waar het bestaat en vindt niets waar het niet bestaat. De lokale hellingstest, log(P2/P1)/log(t2/t1), poolt de gehele distributie. Maar de kwantielstructuur toont: Onder mediaan: d < 0 (ondersteuning versnelt) Boven mediaan: d > 0 (plafond vervalt) Gemiddeld genomen annuleren ze elkaar. De "stabiele exponent" is het paradox van Simpson. Het totaal verbergt de structuur. Parsimony betekent niet de minste parameters. Het betekent geen onnodige parameters. Een parameter bevestigd door 8 onafhankelijke specificaties, die zichzelf valideert door d = 0 te vinden op de vloer, is niet onnodig. Een model dat een kenmerk van de data niet kan vertegenwoordigen is niet eenvoudiger. Het is incompleet....