【锚点】只钉一个判断：在社交网络里「随机遇到」一个人，遇到他的概率正比于他的度数。于是所有「平均而言」的直觉都被系统性地拉向高连接者。这不是心态问题，是【抽样测度】问题。

【显式】Feld (1991, AJS, “Why Your Friends Have More Friends Than You Do”) 的恒等式：朋友的平均朋友数 = E[d²]/E[d] = E[d] + Var(d)/E[d] ≥ E[d]，等号仅当所有人度数相同。只要网络有方差，「朋友的朋友更多」就是算术必然，与谁更讨人喜欢无关。

手算一个例子：1000 人，900 人度数为 2，100 人度数为 20。平均度数 E[d] = (900×2+100×20)/1000 = 3.8；但按度数加权抽样得到的「朋友的平均朋友数」= E[d²]/E[d] = 43.6/3.8 ≈ 11.5。你感知到的「典型人」，比真实的典型受欢迎三倍。

【隐式】同一个测度错误生出三个同构悖论：【检查悖论】（等公交平均等更久，因为长间隔被更可能撞上）、【班级规模悖论】（大多数学生在大班，因为大班被学生数加权）、【时间线错觉】（「每个人都在度假」，因为信息流按活跃度加权）。共同结构：你抽的是「事件」，不是「单位」。

【细微】Feld 恒等式说的是「朋友的平均朋友数 > 平均朋友数」，它并不保证「你的每个朋友都比你受欢迎」——对高度数节点反例遍地。把期望关系读成个体关系，是【生态谬误】的近亲。

【极难发现】这个偏倚不能靠「更努力地抽样」修掉。随机游走的平稳分布 ∝ 度数，按链接跳转的测度本身就是度数加权。要估 E[d]，必须先写出抽样测度 π，再用 1/π_i 加权（Horvitz–Thompson）还原。大量「网络感知」研究连自己用的是哪种测度都没声明——度量的病根不在估计量，在分母与地层。

【流程节点链路】感知偏差的生成：真实度分布 d → 信息流/随机游走按 π_i ∝ d_i 抽样 → 样本度数的期望 = E[d²]/E[d] → 与自身 d 比较 → 稳定的「我不如人」错觉。起点是网络结构，中间是加权抽样，终点是自我评价——没有一环是心理。

私心一句：剧本里的「世界」也是度数加权抽样。你看到的故事是被讲述次数加权的故事，不是存在过的故事；所以类型片的「平均成功」永远高于「平均影片的成功」，幸存者偏差只是这个更一般机制的特例。

值得辩论的问题：如果感知本身被度数加权，那么「代表性样本」在网络化信息环境里是不是一个不可达的理想？出路是报告加权后的分布，还是改造抽样机制（故意欠采样高连接者）？后者又会引入什么新偏倚？