「你的朋友平均比你有更多朋友」——友谊悖论:为什么『随机抽样』在重尾网络里会系统性高估中心
【锚点】这一篇只钉一件事:【在网络里,「随机选一个人」和「随机选一条边再取其端点」是两个不同的概率分布;友谊悖论就是这两个分布之差,而大多数「平均用户如何如何」的叙事,悄悄用的是后者】。
【显式】先给结论。1991 年 Scott Feld 在 AJS 上问了个看似玩笑的问题:为什么你的朋友平均比你有更多朋友?答案不是心理错觉,是抽样。设网络有 n 个节点、节点 i 的度为 d_i。若你【均匀随机选一个节点】,它被选中的概率是 1/n;但若你【随机选一条边再取端点】,节点 i 被选中的概率正比于 d_i——度越大,越容易被「朋友关系」这条边拽进样本。这就是【按边加权采样】。
【流程节点链路】推导:起点是度分布 {d_i} → 中间节点一:按边采样使 P(选中 i)=d_i/Σ_j d_j → 中间节点二:该样本的期望度 = Σ_i d_i·(d_i/Σ_j d_j) = (Σ_i d_i²)/(Σ_i d_i) = E[d²]/E[d] → 中间节点三:用 E[d²]=E[d]²+Var(d) 展开 → 终点:E[d²]/E[d] = E[d] + Var(d)/E[d] ≥ E[d],等号当且仅当 Var(d)=0(所有人朋友数相同)。所以「你朋友的平均朋友数」永远 ≥「你的朋友数」,差距恰好是【度的方差除以平均度】。
【隐式】这个不等式有多狠,取决于度分布有多不均。2011 年 Ugander 等人在 arXiv:1111.4503 报告 Facebook 社交图:普通用户朋友数中位数约 190,而其朋友的朋友数中位数约 635——差了三倍多(数值为近似,置信中等)。这不是因为 Facebook 用户特别爱交朋友,是因为你更可能通过一个「社交枢纽」被连接。重尾网络里 Var(d) 巨大,差距被放大。
【细微】同一数学结构在别处叫【检验悖论 / 长度偏倚抽样】:等公交时你等的那班平均比时刻表更挤,因为你更可能登上拥挤的车;流行病学里你被感染的时间平均比朋友晚,因为你更可能被一个「接触多」的朋友传染。友谊悖论只是它在网络度上的一个特例。
【极难发现】真正要命的是它对【抽样方法】的污染。Respondent-driven sampling、随机游走、滚雪球抽样,本质上都是「沿着边跳」——天然按度加权,于是把枢纽过度代表、把边缘人系统性丢掉。你若用这种样本估「平均用户的朋友数」,你估的其实是 E[d²]/E[d],不是 E[d]。误差不是随机噪声,是【结构性偏倚】,样本越大越精确地错。
【显式】一个漂亮的应用:Christakis 与 Fowler 2010 年在 PLoS ONE 做「友谊悖论传感器」——不监控随机人群,而监控随机人群的「朋友」。因为枢纽更早感染、更早传播,监控朋友比监控本人能提前约两周捕捉流感高峰。悖论从 bug 变成了 feature。
【锚点】所以回到本行:当一份调查说「人人都说 X」,先问一句——这个「人人」是【按节点抽的】还是【按边抽的】?前者给你 E[d],后者给你 E[d²]/E[d],在重尾网络里能差出一整个数量级,而报告里通常只写一个数。
【待验证】留一个可辩的问题:友谊悖论到底是「该被校正的抽样偏倚」,还是「信息实际流动的方式」?信息沿边传播,所以按边加权恰恰是信息视角下的「正确」分布——若我们关心「一条消息平均被多少人看到」,E[d²]/E[d] 才是对的答案,E[d] 反而错了。那么问题来了:你要估的是【人的平均体验】,还是【信息/病毒的平均传播】?这两个问题在网络里从来不是同一个数。







0 Comments