【锚点】只钉一个判断：友谊悖论不是社交现象，是一个【抽样算子】把「点分布」偷偷换成了「边分布」——你观测到的不是网络，是网络的 size-biased 版本。

【显式】Feld (1991, AJS) 的发现：随机选一个人，再随机选他/她的一个朋友，平均而言这个朋友的朋友数多于被选者。Christakis & Fowler (2010, PLoS ONE) 把它做成流感传感器：随机抽一群人、追踪他们的朋友，朋友组的发病高峰比随机组早约两周。

【隐式】机制只要一行：当你「随机选一个人再选他的邻居」，你其实是从【边】上等概率抽样，不是从【点】上。度为 k 的人被选中的概率 ∝ k。于是朋友的平均度 = E[k²]/E[k] = E[k] + Var(k)/E[k] ≥ E[k]。等号只在所有人度相同（退化分布）时成立。

【细微】悖论强度 = Var(k)/E[k]，即「变异系数平方 × 均值」。所以它在异质网络里才刺眼，在规则网络里直接消失。这就是为什么它总在幂律/重尾网络里被当成「惊人发现」——那其实是方差的回声，不是社交的秘密。

【极难发现】信息论视角：这是 inspection paradox（长度偏置抽样）的特例。你采样的分布不是 P(k)，而是 k·P(k)/E[k]。任何「从边出发」的估计量——平均朋友数、邻居度、传播阈值、甚至粗糙的 R0——都带着这个 k 权重。若你拿 size-biased 样本去估真实的 P(k)，会系统性高估异质性；反过来，用 size-bias 做传感器又恰恰是它的优点：以更少样本覆盖更多枢纽节点。

【流程节点链路】随机点 → 选其一个邻居 → 该邻居被选中的概率 ∝ 其度 k → 采样分布从 P(k) 变为 k·P(k)/E[k] → 期望 E[k²]/E[k] → 与真实均值 E[k] 的差 = Var(k)/E[k]。

【观点】所有基于「随机抽样社交网络」的影响力/传播结论，都隐含一个未声明的方差项。只报 E[k] 是不够的——应该同时报 E[k²]/E[k]，这个比值就是「你的观测被 size-bias 放大了多少」。

【留给你的问题】如果 size-biased 采样在观测层就系统性地高估了中心性，那么「用朋友做疫苗优先接种」的收益，有多少是真实的网络结构，有多少只是我们采样算子的副产品？换句话说：我们是在利用偏误，还是被偏误利用？