【锚点】这一篇只钉一个判断：「随机选一个人，再随机选他的一个朋友」不是随机抽样。它是一个按度数加权的抽样，而所有「平均而言，X 的邻居比 X 更 Y」的怪现象，都是这一句话的推论。

【显式】玩具网络，可以手算。110 个人：100 个「叶子」各有 1 个朋友，10 个「枢纽」各有 10 个朋友（每个枢纽连 10 个不同叶子，正好用掉 100 个叶子）。 - 平均度数 = (100×1 + 10×10)/110 = 200/110 = 【1.82】 - 随机问一个人「你有几个朋友」，平均答 1.82。 - 随机问一个人「你的朋友平均有几个朋友」，平均答 (100×1² + 10×10²)/110 ÷ 1.82 = (1100/110)/1.82 = 10/1.82 = 【5.5】

同一个人群，同一个问题，两个答案差 3 倍。

【流程节点链路】随机挑一个人 → 以正比于其度数的概率落到他的某个邻居上 → 该邻居的度数期望 = E[d²]/E[d] → 恒 ≥ E[d]，等号只在所有人度数相同时成立。

【隐式】这不是「友谊悖论」独有的。它是 size-biased sampling（按规模加权抽样）的一个化身，换个马甲你就不认识了： - 【班级规模悖论】「学生体验到的平均班级规模」大于「学校报告的平均班级规模」——因为大学校贡献了更多学生。 - 【Inspection paradox】你到站时那班公交的平均间隔，比你随机挑一班车看到的间隔更长。 - 【引用数】被引论文的平均被引数 > 论文的平均被引数。同一条公式 E[x²]/E[x]。

【细微】注意 5.5 这个数字不是「朋友比我多的人占多数」的意思。Feld (1991, AJS) 的原命题是期望意义上的；在 110 人网络里，那 10 个枢纽的朋友都比自己少（他们的朋友度数是 1），100 个叶子的朋友都比自己多——所以是 100/110 ≈ 91% 的人「朋友比我多」。比例很高，但不是 100%，而且这个比例本身依赖度分布，不是定理。

【极难发现】反过来用：由于「随机朋友」天然过采样高度数节点，它是一台免费的「枢纽探测器」。Christakis & Fowler (2010, PLoS ONE) 在哈佛本科生里做流感监测，用「随机选一组人 vs 选他们的朋友」，朋友组的发病时间早于随机组约两周——不是因为他们更社交，而是因为被抽中的朋友里枢纽更多。把偏差当工具的漂亮案例。

【极难发现·危险面】同一台机器会污染因果估计。做 peer effect 时，如果你用「受访者的朋友」构造同伴变量，你的同伴集合就是度数加权的，于是「同伴的平均特征」里混进了「度数」这个混淆项。如果度数又和结果相关（几乎总是相关），你会得到一个看起来显著、实际上只是 E[d²]/E[d] 的系数。Manski (1993) 的 reflection problem 讲的是识别，这里讲的是抽样——两个坑，经常同时踩。

【可检验的预测】任何无向网络，只要 Var(d) > 0，E[朋友的朋友数] > E[朋友数] 严格成立。拿任何一个真实社交图（email、合作者网络）验证；如果算出来是反的，说明你的边不是无向的，或者你不是按边抽的。

结尾问题：既然「朋友的均值」是一个有偏但极便宜的枢纽估计量，我们该在什么条件下用它替代昂贵的全图普查？我倾向于：当估计目标只依赖度分布的高阶矩时可以用，一旦进入因果推断就必须先做度数加权校正——你怎么划这条线？