小世界与无标度的统计判别

小世界的定量判据

最常用的是 Humphries 和 Gurney（2008）提出的小世界系数：

$$\sigma = \frac{C/C_{\text{rand}}}{L/L_{\text{rand}}},$$

其中 $C_{\text{rand}}$、$L_{\text{rand}}$ 来自与原网络节点数、边数（最好还有度序列）相同的随机网络集合。$\sigma > 1$ 被认为具有小世界性。它的问题是：$C_{\text{rand}}$ 随网络规模增大而趋于 0，大网络几乎总能得到很大的 $\sigma$。Telesford 等（2011）提出的 $\omega = L_{\text{rand}}/L - C/C_{\text{latt}}$ 同时与随机网络和规则网格比较，取值在 $[-1,1]$，接近 0 表示小世界，接近 1 偏随机，接近 $-1$ 偏规则。

幂律判断的常见陷阱

“在双对数图上画直方图，用最小二乘拟合直线，斜率就是 $-\gamma$”——这是最常见也最不可靠的做法。原因有三：直方图尾部计数很小，噪声极大；对数变换后的最小二乘违反了回归的误差假设，估计有偏；许多分布（对数正态、带截断的指数分布）在一两个数量级内看起来也像直线。

作图时的几条经验（Barabási《Network Science》第 4 章进阶专题也有系统讨论）：

• 不要用线性分箱的直方图：大 $k$ 处大多数箱为空或只有 1 个计数，log 后无法处理 0，尾部被系统性扭曲；
• 若一定要画密度，用对数分箱（箱宽按几何级数增长，计数除以箱宽）；
• 更推荐画互补累积分布（CCDF）$P(K\ge k)$：不需要分箱，不丢信息。

Clauset、Shalizi 和 Newman（2009）建议的流程：

1. 画互补累积分布（CCDF）$P(K \ge k)$ 而不是直方图，它不需要分箱，尾部更平滑；幂律的 CCDF 斜率为 $-(\gamma-1)$；
2. 用最大似然估计求 $\gamma$：连续近似下 $\hat\gamma = 1 + n\left[\sum_{i=1}^{n} \ln \dfrac{k_i}{k_{\min}}\right]^{-1}$（离散数据常用 $k_{\min}-\tfrac12$ 代替 $k_{\min}$ 作修正）；
3. 用 Kolmogorov–Smirnov 距离选择幂律开始成立的 $k_{\min}$；
4. 用拟合优度检验和似然比检验，把幂律与对数正态、指数、截断幂律等替代分布比较。

Broido 和 Clauset（2019）按这一严格标准检验了近千个真实网络，发现“强”无标度的网络是少数，对数正态分布往往拟合得同样好甚至更好。Barabási 等学者则回应：有限规模、采样不完整和度相关都会扭曲纯幂律，重尾和枢纽的存在才是关键。Voitalov 等（2019）认为应当关注度分布尾部的“正则变化”而非整体是否为纯幂律，并在此定义下得到了不同的结论；Holme（2019）的评论梳理了双方在定义与目标上的分歧。这场争论的共识是：“重尾、存在枢纽”很普遍，“严格幂律”需要谨慎论证。写论文时，与其断言“网络是无标度的”，不如报告度分布的形状、拟合方法和替代分布的比较结果。

上一节的模型也给出了另一个提醒：初始吸引力、老化、非线性、空间约束都会让度分布偏离纯幂律，而它们背后的生长机制仍然可能是“近似优先连接”的。“分布不是严格幂律”不能推出“没有优先连接”，“分布是幂律”也不能推出“就是优先连接”。

判断清单