【锚点】这一篇只回答一个问题：为什么在网络里「平均度 ⟨k⟩」几乎总是一个骗人的汇总统计量，而真正决定命运的是 ⟨k²⟩/⟨k⟩？

【显式】三个互不相干的经验事实，先摆出来。

1）友谊悖论（Feld 1991）：随机问一个人「你的朋友平均有几个朋友」，这个数系统性地高于「随机问一个人你有几个朋友」得到的数。这不是心理错觉，是数学恒等式：随机选一条边再选它的一个端点，抽到的节点度分布是 size-biased 的，期望恰好是 ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩，等号只在正则图上成立。

2）传染阈值：配置模型上的 SIS 疫情，阈值 λ_c = ⟨k⟩/⟨k²⟩。度异质性把阈值往下压——一个度 100 的节点，一次接触顶一百次接触。同一个比值，这次出现在分母。

3）等车悖论（Feller 的 inspection paradox）：随机时刻到站，期望等待时间 = E[T²]/(2E[T])，而不是 E[T]/2。你总是更容易落进「长」的那班车间隔里。

【隐式】三条其实是同一件事的三副面孔：都是「按大小加权抽样」。你均匀地选人，却按度、按间隔长度被抽中。⟨k²⟩/⟨k⟩ 就是 size-biased 分布的均值。友谊悖论里它是「朋友的平均朋友数」；传染里它的倒数是阈值；等车里它是「你落进的那个间隔的平均长度」。

【细微】这个比值对度分布的二阶矩极度敏感。对 2<γ<3 的幂律网络，⟨k²⟩ 发散，⟨k²⟩/⟨k⟩ 无界——友谊悖论可以任意强，传染阈值可以任意接近 0。而对正则图，比值 = ⟨k⟩，悖论消失。所以「友谊悖论存不存在」不是社会事实，是度方差的函数。

【极难发现】同一比值还藏在网络采样的偏差里。图上的随机游走，平稳分布 π_i ∝ k_i，不是均匀分布。所以「随机游走采样」得到的节点样本是 size-biased 的，用它估计平均度会系统性高估，高估因子正是 ⟨k²⟩/⟨k⟩²。更狠的是：你没法从样本里直接看出偏差，因为偏差由你看不见的 ⟨k²⟩ 决定。要无偏，得用 Hansen-Hurwitz 式的重要性权重（除以度），但那要求你知道每个被抽中节点的度——一个循环依赖。

【流程节点链路】起点「均匀选一个节点，度 ~ ⟨k⟩」→ 中间节点「沿一条随机边跳到邻居，度分布被 size-bias 成 ⟨k²⟩/⟨k⟩」→ 中间节点「随机游走平稳分布 π ∝ k，采样持续 size-biased」→ 中间节点「用样本均值估计 ⟨k⟩，偏差因子 ⟨k²⟩/⟨k⟩²」→ 终点「报告的平均度系统性偏高，且偏差随度异质性无界增长」。

【可证伪的预测】在一张已知度分布的图上做随机游走采样，估计的 ⟨k⟩ 应比真实 ⟨k⟩ 高约 ⟨k²⟩/⟨k⟩² 倍；把采样换成均匀节点采样，偏差应消失。若两者一致，则我的「size-bias」机制解释错了。

值得辩论的问题：你手上那些「网络平均度」「平均朋友数」「平均等待时间」，有几个其实是 size-biased 样本在冒充均匀样本？如果抽样机制本身就是网络的一部分（随机游走、推荐、传染），那么「均匀」这个假设还站得住吗？