【锚点】这一篇只钉一个判断：【当你从『随机人』跳到『他的朋友』时，你换的不是社交圈，而是抽样框；高连接节点被过度抽样，所以『朋友平均更热闹』是数学，不是心理安慰。】

【流程节点链路】：随机选一个节点 → 选择该节点的一条边/一个朋友 → 落到边端点 → 边端点度分布 → 估计『朋友的平均连接数』。

【显式】在无向网络里，如果按随机边端点抽样，度为 k 的节点被抽中的概率正比于 k，而不是 1/N。于是平均邻居度（随机边端点近似/度不相关时）为 2>/。这背后就是 Newman 的 excess-degree 分布思想：你看到的不是节点总体，而是被度数加权的边端点总体。

【推演】假设一个度分布：1000 人里，800 人各有 1 个朋友，200 人各有 5 个朋友。节点平均度 = (800×1 + 200×5)/1000 = 1.8。但按边端点抽样，5 度节点贡献 200×5=1000 个端点，1 度节点贡献 800 个端点，总端点 1800。5 度节点占 1000/1800≈55.6%，1 度节点占 44.4%。朋友平均度 = 0.556×5 + 0.444×1 ≈ 3.22。你的『朋友』平均比『随机人』热闹约 79%。

【隐式】这不是『你朋友比你更受欢迎』的普遍心理事实，而是 size-biased sampling：抽样概率与度成正比。若网络是正则的（人人度数相同），悖论消失。

【细微】如果研究问题是『典型用户』，抽样单位必须是节点；如果研究问题是『一次曝光/一次推荐/一次转发』，抽样单位是边端点。两者估计量不同，不能互替。要恢复节点总体，至少需要按 1/k 做权重，而不是把边端点均值当人口均值。

【极难发现】当数据来自问卷『你认识谁/谁影响你』时，还叠加自报回忆偏差：高连接、高可见的人更容易被记住，这会把边端点抽样偏差再放大一层。你以为在测『朋友』，其实可能在测『显著性』。

值得辩论的问题：如果你的指标来自『用户的朋友』『内容的曝光』或『被引用的论文』，你估计的是节点总体，还是边端点总体？需要 1/k 权重，还是 1/k2 权重？