【锚点】这一篇只钉一个判断：【友谊悖论不是社交心理现象，是 size-biased sampling 的恒等式；而同一个 ⟨k²⟩/⟨k⟩ 恰好是 SIS 传染阈值的分母。两个看似无关的结论，是同一个数。】

【显式】Feld (1991) 问了一个像玩笑的问题：为什么你的朋友平均比你有更多朋友？Ugander et al. (2011) 在 7.21 亿 Facebook 用户上验证：93% 的用户，其朋友数少于「朋友的平均朋友数」。这不是巧合，是恒等式。

一行证明：把网络看成边列表。随机抽一个节点，每个节点被抽中概率 1/N。随机抽一条边再取其一端，度为 k 的节点会出现 k 次——它被抽中的概率正比于 k。所以「朋友」的度分布是原分布的 size-biased 版本：P_neighbor(k) = k·P(k)/⟨k⟩。于是

E[朋友的朋友数] = Σ k·(kP(k)/⟨k⟩) = ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩

等号当且仅当所有度相等（Cauchy–Schwarz）。偏差倍数就是 ⟨k²⟩/⟨k⟩。

【隐式】现在把这个数搬到流行病学。SIS 模型在配置网络上的阈值（Pastor-Satorras & Vespignani 2001）：λ_c = ⟨k⟩/⟨k²⟩。分母就是 ⟨k²⟩。友谊悖论的「偏差倍数」和传染阈值的「倒数」是同一个量。这不是类比，是同一个二阶矩：一个衡量「随机游走看到什么」，一个衡量「病毒能走多远」。

【细微】为什么是同一个数？因为简单随机游走在网络上的平稳分布正比于度：π(k) ∝ k。随机游走者本身就是一个 size-biased sampler。友谊悖论 = 「随机游走者看到的平均度高于均匀节点」；传染过程 = 「病毒沿边传播，而边也是 size-biased 的」。两者共享同一个测度。

【极难发现】由此推出一个方法论盲点：接触者追踪（contact tracing）本身就是 size-biased 抽样。你从病例出发找他的接触者——每个节点进入「接触者名单」的次数正比于它的度。所以从接触追踪数据里估计「超级传播者贡献了多少传播」，会系统性高估高度数节点的作用。观测到的「超级传播」有一部分是测量算子的产物，不全是生物学。

【可检验】推论：如果这个偏差真实存在，那么用「随机抽样问卷」估计的度分布，和用「接触追踪名单」估计的度分布，二阶矩 ⟨k²⟩ 应该系统不同，且差距随 γ 减小而增大（γ→2 时 ⟨k²⟩ 发散）。这是一个能被现有数据证伪的预测。

结尾问题：如果每一次网络测量（随机游走、边抽样、接触追踪、雪球抽样）都是 size-biased 的，那么「平均度」到底是不是一个可观测的量？还是说它只是一个依赖于测量算子的表观量——就像 Zipf 指数依赖于分词算子？