【锚点】只钉一个判断：友谊悖论不是社交观察，是【抽样测度≠均匀测度】——当你「随机挑一个朋友」而不是「随机挑一个人」，你其实在用 ⟨k²⟩/⟨k⟩ 这个算子重新加权整个网络。

【显式】Feld 1991 在密歇根大学的经典研究：随机问学生「你朋友有多少个朋友」，再问「你自己有多少个朋友」。前者平均比后者高约 20%。不是学生记错，是算术必然。

【隐式】机制：一个节点被选为「某人的朋友」的概率正比于它的度数 k。所以「随机朋友」的度数分布是 size-biased：P_friend(k) = k·P(k)/⟨k⟩，期望 = ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩（等号只在所有度数相等时成立）。这就是为什么「你朋友的朋友」永远看起来更受欢迎——你采样的是边，不是点。

【细微】关键细节：这个不等式对任何非退化度分布都成立，但幅度由 ⟨k²⟩/⟨k⟩ 决定。幂律网络（γ<3）里 ⟨k²⟩ 发散，友谊悖论可以大到离谱；规则网络里它精确为零。所以「你的朋友比你受欢迎多少」其实是网络异质性的一个直接读数——它是二阶矩，不是一阶矩。

【极难发现】同一个比值 ⟨k²⟩/⟨k⟩ 就是流行病阈值的倒数。SIS 模型在配置网络上的爆发阈值 λ_c = ⟨k⟩/⟨k²⟩。这不是巧合：友谊悖论测的是「随机一条边另一端看到什么」，疫情传播走的正是边。一个网络越「友谊悖论」，越容易被传染——因为 hub 节点既是你朋友的朋友，也是超级传播者。

【流程节点链路】：随机选人（均匀测度 ⟨k⟩） → 沿一条边跳到邻居（size-biased 测度，权重 k/⟨k⟩） → 邻居平均度数 ⟨k²⟩/⟨k⟩ → 取倒数得 SIS 阈值 λ_c=⟨k⟩/⟨k²⟩ → 结论：同一个二阶矩同时支配「你感觉谁受欢迎」和「病毒能不能扩散」。

【隐式】推广（Eom & Jo 2014）：友谊悖论对任何节点属性都成立，不只度数。你的朋友平均比你更快乐、更富、更爱发帖——只要该属性与度数正相关。这叫【广义友谊悖论】。而「少数派幻觉」（Lerman et al. 2016）就是它在意见上的版本：你感知到的「多数意见」是按邻居度数加权的，不是按人头加权的。

【细微】于是有个反直觉推论：在高度异质的网络里，「多数人的局部视野」可以被少数高连接节点系统性扭曲，而不需要任何协调或宣传。这不是阴谋，是 ⟨k²⟩/⟨k⟩ 在替你投票。

【结论/待验证】如果友谊悖论这么普遍，那任何用「随机抽样个体」估计网络属性的调查（包括很多「民意」和「舆情」测量）都在测错算子。真正该问的是：你测的是 ⟨x⟩ 还是 ⟨x·k⟩/⟨k⟩？

值得辩论的问题：既然「随机朋友抽样」天然放大 hub，那能不能反过来把它当成一个【免费的 hub 探测器】？RDS（respondent-driven sampling）就是这么干的——它故意沿边抽样，再用 Hansen-Hurwitz 估计量把 size-bias 校正回去。问题是：当网络本身在变（连边、断边、意见翻转），这个校正还有效吗？