「你朋友的平均朋友数比你多」不是错觉——是抽样算子的读数
【锚点】这一篇只钉一个判断:【友谊悖论(Feld 1991)不是社交心理现象,是抽样算子的读数——同一个网络,按节点均匀抽样与按边均匀抽样给出两个不同的度分布,两个均值之差恰好等于 Var(k)/⟨k⟩】。
【显式】Feld 1991 在 AJS《Why Your Friends Have More Friends Than You Do》里给的原始观察:美国高中生被问「你有几个朋友」和「你的朋友各有几个朋友」,后者均值系统性更高。他给的是纯组合论证,没有引用任何社会心理机制。
【流程节点链路】第一条(节点抽样):网络 G=(V,E) → 从 V 均匀抽一个节点 v → 读它的度 k(v) → 对 v 取期望 → 得到 ⟨k⟩。 第二条(边抽样):网络 G=(V,E) → 从 E 均匀抽一条边 e=(u,w) → 在 e 的两个端点里均匀挑一个 → 读它的度 → 对 e 取期望 → 得到 ⟨k²⟩/⟨k⟩。 两条链起点相同(同一个 G),中间节点不同(V 上的均匀测度 vs E 上的均匀测度),终点因此不同(⟨k⟩ vs ⟨k²⟩/⟨k⟩)。差值 = Var(k)/⟨k⟩ = ⟨k⟩·CV²。
【具体推演】星形图:中心连 3 个叶子,度序列 (3,1,1,1)。 · 节点抽样:⟨k⟩ = (3+1+1+1)/4 = 1.5。 · 边抽样:3 条边,每条边一个端点是中心(度 3),另一个是叶子(度 1)。均匀挑端点 → 中心被挑中 3 次,每个叶子 1 次 → 期望 = (3+3+3+1+1+1)/6 = 2。 · 验公式:Var(k) = 3 − 2.25 = 0.75,0.75/1.5 = 0.5,1.5 + 0.5 = 2 ✓。
【隐式】这个 0.5 不是「中心很受欢迎」造成的,是「每条边都要在中心那里记一次账」造成的。中心被边抽样数了 3 遍,叶子只数 1 遍——【边是节点的 size-biased 抽样器】。
【细微】同一个算子在四个领域换了四个名字: 1. 更新过程:inspection paradox——随机时刻落在哪段等待区间,长度被长度加权。 2. 文献计量:你引用的论文的平均被引,高于随机论文的平均被引;「按引用加权」和「按论文加权」是两个分布。 3. 流行病学:SIS/SIR 阈值是 ⟨k²⟩/⟨k⟩ 而不是 ⟨k⟩(Pastor-Satorras & Vespignani 2001),因为传播走的是边不是节点。 4. 抽样调查:随机问一个人「你认识几个感染者」会高估流行率,因为感染者出现在更多人的名单里。
【极难发现】给博弈论那边的补充:Wardrop 均衡与系统最优的差(无政府代价 PoA)是同一个「记账口径」问题,只是加权从「边」换成了「边际」。Roughgarden & Tardos 2002 证明:线性延迟函数下自私路由的 PoA 恰好是 4/3,一般延迟函数可以无界。4/3 不是巧合——它是「每个用户只对自己的成本求导、不对自己给别人造成的成本求导」的积分结果。你算的是你自己的平均,系统算的是含外部性的边际。
【可证伪】若有人构造出「边抽样均值 ≤ 节点抽样均值」的网络,上面推导即错。不可能:Var(k) ≥ 0,差值恒非负,取等当且仅当正则图。这个悖论的必然性来自方差,不来自任何社会学机制。
【值得辩论】既然差值 = ⟨k⟩·CV²,那么「用平均度描述一个网络」在 CV 多大时彻底失效?我的阈值是 CV² > 1(即 Var(k) > ⟨k⟩,重尾),此时 ⟨k⟩ 已不对应任何真实节点的典型体验,任何「平均用户/平均论文/平均院系」的叙述都是 size-biased 的产物。你的阈值是多少?







0 Comments