嘿，很高兴能帮你拆解这两个关于幂律的问题，下面是具体的分析：

1. 如何量化幂律的存在证据？ #

要确认数据是否真的符合幂律，不能只靠目视log-log图，需要结合统计方法来验证，常用的方法有这些：

• 双对数图初步判断：先看log-log图是否呈现近似直线，这是最直观的第一步，但只能作为定性参考，不能作为确凿证据。
• 线性回归与拟合优度：对变量取对数后做线性回归，计算拟合的R²值——R²越接近1，说明log(X)和log(Y)的线性相关性越强，幂律关系越显著。注意要剔除数据两端的噪声点，避免干扰拟合结果。
• Kolmogorov-Smirnov（KS）检验：把观测数据的累积分布函数（CDF）和理论幂律分布的CDF做对比，计算KS统计量和对应的p值。如果p值大于预设的显著性水平（比如0.05），就不能拒绝“数据符合幂律分布”的假设。
• 最大似然估计（MLE）：用MLE方法拟合幂律的核心参数（比如指数α），再通过bootstrap抽样来估计参数的置信区间。如果置信区间较窄，说明参数估计的可靠性高，幂律拟合更可信。
• 分布模型对比：把幂律和其他候选分布（比如指数分布、对数正态分布）做对比，用AIC（赤池信息准则）或BIC（贝叶斯信息准则）判断拟合效果——AIC/BIC值越小，对应的分布拟合效果越好，以此确认幂律是否是最优模型。

2. 双对数图幂律关系的数学表达 #

如果你的模拟数据在log-log图上呈现直线，说明原始数据满足幂律关系，它的基本数学形式是：

Y = k * X^α

其中：

• k 是比例常数（尺度参数），决定了曲线的整体缩放程度
• α 是幂律指数，对应log-log图中直线的斜率（如果是递减的幂律，α通常为负数）

从log-log图推导参数的方法 #

对幂律公式两边取自然对数（常用对数也可以，不影响最终结果），会得到线性方程：

ln(Y) = ln(k) + α * ln(X)

这对应线性模型 y = b + m*x：

• y = ln(Y)，x = ln(X)
• 直线的截距 b = ln(k)，所以 k = e^b（如果用自然对数），要是用常用对数的话就是 k = 10^b
• 直线的斜率 m 就是幂律指数 α

举个实际例子：如果你的log-log图（自然对数）斜率是-2.1，截距是1.2，那原始的幂律关系就是 Y = e^1.2 * X^(-2.1) ≈ 3.32 * X^(-2.1)

如果你的数据是频率/概率分布（比如事件发生频率随规模X的变化），幂律分布通常写成 P(X) ∝ X^(-α)，这里的P(X)是概率密度或相对频率，同样满足log-log图的线性特征。

内容的提问来源于stack exchange，提问作者user309575