為什麼Giovanni（Mr. Power Law）對我下面分析的「穩定指數」反駁完全失敗... 常數指數模型是衰減框架中的一個特例，當d = 0時。如果指數是穩定的，優化器會找到d = 0。 但它沒有。在中位數時，它找到d = 0.029。 數據有每一個機會選擇「無衰減」。它拒絕了。 線性QR將中位數定在$117,716。八個獨立的衰減函數，全部收斂於大約$101,000。 這不是同一模型的8個版本。它們使用完全不同的數學核。它們的一致性是數據的特性，而不是方法的特性。 常數指數相對於每個測試的衰減規範超出約$17,000。 但這裡有一個無懈可擊的地方：在第一分位數，這個相同的衰減模型發現d實際上等於零。所有衰減函數在底部都收斂為線性。 這個方法並不強加衰減。它在存在的地方發現衰減，而在不存在的地方則找不到。 局部斜率測試，log(P2/P1)/log(t2/t1)，匯總了整個分佈。但分位數結構顯示： 中位數以下：d < 0（支持加速） 中位數以上：d > 0（天花板衰減） 平均它們會相互抵消。「穩定指數」是辛普森悖論。總體隱藏了結構。 簡約並不意味著最少的參數。它意味著沒有不必要的參數。 一個由8個獨立規範確認的參數，通過在底部找到d = 0自我驗證，並不是不必要的。 一個無法表示數據特徵的模型並不簡單。它是不完整的。...