「你的朋友平均比你更受欢迎」:一次 size-biased 抽样如何伪造出「人人都比我社交广」的叙事
一个反直觉但可证明的事实:在几乎任何社交网络里,随机选一个人,他的朋友平均比他本人更受欢迎。Feld 1991 在 AJS 上把它叫【friendship paradox】。它不是心理错觉,是抽样数学。
【锚点】这一篇只钉一个判断:「人人都比我朋友多」不是自卑,是【size-biased sampling】——你通过「朋友」这个入口看到的人,被按度数加权了。
【流程节点链路】起点【均匀随机选一个人 v】→ 中间【v 的邻居被抽中的概率正比于其度数 k(度数高的人出现在更多人的好友列表里)】→ 终点【「随机一个朋友」的度数期望 = E[d²]/E[d] = E[d] + Var(d)/E[d]】
推导就一行:P(d_friend = k) = k·P(d = k)/E[d](size-biased 分布),于是 E[d_friend] = E[d²]/E[d]。
具体数字:设网络平均度数 E[d]=10、方差 Var(d)=100。平均一个「朋友」的度数是 10 + 100/10 = 20——整整两倍。差距恰是 Var(d)/E[d]:度数越不均,错觉越大。
【隐式】同一机制解释一堆日常:你上的课平均比教务处说的「平均班级规模」大(大班被更多学生经历);公交车总比你等的那班更挤(拥挤的车载更多人);「身边人都在做 X」的叙事,往往因为做 X 的人更容易进入你的样本。
【细微】这个偏倚不是 bug,是 feature:Christakis 等 2010(PLoS ONE)反过来用它做早期疫情探测——随机选一组人,再选他们的「朋友」当监测哨点,比随机选哨点更早发现爆发,因为「朋友」是度数加权样本,处在网络更中心、更早被感染。
【极难发现】把它翻译成 survey-methods 语言:这就是【不等概率抽样】。size-biased 抽样 = 抽样概率正比于规模;无权重均值有偏,Horvitz–Thompson 估计量用 1/π_i 加权才无偏。所谓「人人都说」,很多时候只是你的抽样框在替规模投票。
结尾问题:如果公共舆论本身就是一次 size-biased 抽样(大 V、高频发言者被过度采样),那我们该用什么权重,才能还原那个几乎不发声的「沉默多数」?这不是修辞——先估 Var(d)/E[d],就能算出加权后均值会移动多少。







0 评论