为什么乔瓦尼（Mr. Power Law）的“稳定指数”对我下面分析的反驳完全失败…… 常数指数模型是衰减框架中的一个特例，特例为 d = 0。如果指数是稳定的，优化器会找到 d = 0。 但它没有。在中位数处，它找到 d = 0.029。 数据有充分的机会选择“无衰减”。它拒绝了。 线性 QR 将中位数定为 $117,716。八个独立的衰减函数，全部收敛于大约 $101,000。 这些不是同一模型的 8 个版本。它们使用完全不同的数学核。它们的一致性是数据的特性，而不是方法的特性。 常数指数相对于测试的每个衰减规范超出约 $17,000。 但这使得这一点无懈可击：在第 1 分位数，相同的衰减模型发现 d 实际上等于零。所有衰减函数在底部都收敛为线性。 该方法并不强加衰减。它在存在衰减的地方发现衰减，而在不存在衰减的地方则发现没有衰减。 局部斜率测试，log(P2/P1)/log(t2/t1)，汇聚了整个分布。但分位数结构显示： 中位数以下：d < 0（支持加速） 中位数以上：d > 0（上限衰减） 平均它们，它们会相互抵消。“稳定指数”是辛普森悖论。聚合掩盖了结构。 简约并不意味着参数最少。它意味着没有不必要的参数。 一个通过 8 个独立规范确认的参数，通过在底部找到 d = 0 自我验证，并不是不必要的。 一个无法表示数据特征的模型并不简单。它是不完整的。...