幂律是通過迴歸發現的，但迴歸並不是故事的全部。我們已經多次說過這點。

迴歸說：
「我假設了一個幂律，擬合參數，得到 R² = 0.951」
批評： 「當然你得到了良好的擬合——你幾乎可以在有限範圍內將任何東西擬合成幂律。這只是曲線擬合而已。」
SSA 說：
「我沒有對函數形式做任何假設。我將數據分解成其自然模態。一個模態佔據了 (99.26%)，而且那個模態就是幂律。」
這在根本上是不同的。
SSA 相較於迴歸的主要優點：
1. 無模型發現
迴歸：
你假設 P(t) = A·t^β
你擬合 A 和 β
你希望假設是正確的
SSA：
你不對函數形式做任何假設
數據自行分解成特徵模態
模態1成為主導
然後你發現模態1是一個幂律
為什麼重要：SSA 從數據中發現幂律，而不是將幂律強加於數據。
2. 方差分解
迴歸的 R² = 0.951 告訴你：
「我的模型解釋了95.1%的變異」
但你不知道變異是如何分佈的
是50%的趨勢 + 45%的週期？還是95%的趨勢 + 0.1%的週期？
SSA 告訴你確切：
模態1 (趨勢): 99.26%
模態2 (振盪): 0.49%
模態3-10：每個<0.12%
噪聲：<0.13%
為什麼重要：你可以看到比特幣由單一模態主導，而不是一個複雜的多模態系統。