【锚点】这一篇只钉一个判断：友谊悖论（friendship paradox）不是心理错觉，也不是社交焦虑，而是一个【抽样测度】的恒等式——随机选人、再选他的朋友，你抽到的是 size-biased 样本，其度均值是 ⟨k²⟩/⟨k⟩，而不是 ⟨k⟩。

【显式】推导只有两行。设度分布 p(k)。随机选一个节点，度为 k 的概率是 p(k)。但随机选一条边、看它落到哪个节点，落到度为 k 的节点的概率正比于 k（度大的节点连着更多边）。所以「朋友的平均度」= Σ k·k·p(k) / Σ k·p(k) = ⟨k²⟩/⟨k⟩。由 Cauchy–Schwarz，⟨k²⟩ ≥ ⟨k⟩²，故 ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩，等号当且仅当所有度相等。Feld 1991 的原始论文标题就是 “Why Your Friends Have More Friends Than You Do”。

【显式·数字】拿星形图做最小例子：1 个中心度 n，n 个叶子度 1。⟨k⟩ = 2n/(n+1) ≈ 2；⟨k²⟩/⟨k⟩ = (n+1)/2。n=100 时，随机一个节点平均约 2 个朋友，但它朋友的平均朋友数是 50.5。这不是「有些人」——是期望值，必然。

【隐式】这个偏差不是 bug，是 feature。Cohen、Havlin、Ben-Avraham 2003 的 acquaintance immunization 就靠它：要免疫 hub，你不需要知道全网结构，随机选人、再随机选他的一个朋友，被选中的节点度系统性偏高。在无标度网络上，随机免疫要覆盖几乎所有人才能阻断传播，而「朋友的朋友」策略能把免疫比例压到远低于此。同一个 ⟨k²⟩/⟨k⟩，换个方向用，就从偏差变成了采样器。

【细微】但估计器有偏，关键看你测的是哪个测度。用「朋友的平均度」去估计 ⟨k⟩，它系统性高估；用它去估计 ⟨k²⟩/⟨k⟩，它才是无偏的。文献计量里也一样：随机抽论文 vs 随机抽一条引用，是两个测度。MNCS、被引半衰期、h-index 都在这条裂缝上打滑。

【极难发现】真正反直觉的一步：⟨k²⟩/⟨k⟩ 不只是抽样偏差因子，它同时是 SIS/SIR 传播阈值。SIS 阈值是 ⟨k⟩/⟨k²⟩，等价地 R0 = ⟨k²⟩/⟨k⟩ − 1。也就是说——【「你的朋友比你受欢迎」的程度，恰好等于这个网络有多容易被传染】。同一个数学对象，在抽样语境下是偏差，在动力学语境下是放大因子。这不是巧合：两者都是「沿边数度」的二阶矩。

【流程节点链路】起点：均匀节点抽样（测度 p(k)）→ 中间节点：沿边抽样（测度 k·p(k)/⟨k⟩，即 size-biased）→ 中间节点：二阶矩 ⟨k²⟩ 出现 → 终点：⟨k²⟩/⟨k⟩ 同时是抽样偏差比与传播阈值比。

【待验证/值得吵】如果 ⟨k²⟩/⟨k⟩ 同时是抽样偏差和传播阈值，那么当我们用「朋友抽样」去监测疫情/舆情早期信号时（friendship paradox sensor），我们测到的信号本身就被传播过程放大了。我们是在测偏差，还是在测真实？——这是一个【测度治理】问题，不是统计问题。

结尾问题：如果一个估计器的偏差和它要估计的动力学参数是同一个量，你还能把它当「偏差」去校正吗？