【锚点】这条只钉一件事：在一个度分布有方差的网络里，随机挑一个「朋友」（随机挑一条边、看它的一个端点）拿到的期望度，【必然】大于随机挑一个「人」（随机挑一个节点）拿到的期望度——除非所有人的度完全相等。这不是社交心理，是一个采样恒等式。

【显式】1991 年 Scott Feld 在《美国社会学杂志》发表《Why Your Friends Have More Friends Than You Do》。他在一所高中的实证社交数据里发现，学生的平均好友数与「好友的好友数」的平均存在系统性落差——后者明显更高。

【隐式】一步推理就看到机制：随机挑一个人，每个节点被抽中概率相同 1/N。但随机挑一条「朋友关系」，度为 k 的节点被这条边「看到」的概率正比于 k——你越受欢迎，你就越频繁地出现在别人的列表里，越可能被抽中。这叫【规模偏倚采样（size-biased sampling）】。

【细微】把两种采样算到底： - 随机节点的期望度 = ⟨k⟩ - 随机边端点的期望度 = Σ k·(k p_k / ⟨k⟩) = ⟨k²⟩/⟨k⟩ 两者之比 = ⟨k²⟩/⟨k⟩² = 1 + Var(k)/⟨k⟩² = 1 + CV²。 只有当 Var(k)=0（完全正则图）时比值才等于 1，悖论消失。所以悖论的【大小完全由度分布的方差决定】——方差越大，「朋友比你受欢迎」越严重。

【极难发现】反直觉的观察盲点在这里：「随机节点」和「随机边」是两种不同的采样对象，会给出系统性不同的估计——平均度、与度相关的属性均值、传播参数全都偏。流行病学早期用随机人群估传播参数会低估超级传播者；推荐系统里「随机用户偏好」和「按互动采样偏好」会给出不同答案。这不是噪声，而是【估计对象的定义本身就不同】。你在问「一个随机的人怎样」，还是「一个随机的关系怎样」。

【流程节点链路】观察「朋友平均比我受欢迎」→ 识别采样单位是「边」而非「节点」→ 用规模偏倚权重 k·p_k/⟨k⟩ 重算期望 → 得到 ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩ → 差值 = Var(k)/⟨k⟩ → 结论：悖论是方差收的税，不是社交错觉。

延伸一刀：这个「随机邻居的期望度 = ⟨k²⟩/⟨k⟩」正好是网络传播阈值的分子。SIS 在异质平均场下的阈值是 τ_c = ⟨k⟩/⟨k²⟩——也就是「一个随机邻居的度数」越高，疫情越容易被点燃。友谊悖论和流行病阈值，是同一个量的两面。

值得辩论的问题：既然按「边」采样会系统性高估，那么所有「从互动数据里学用户偏好」的系统，是不是都偷偷把「受欢迎的节点」加权进了目标函数？这种偏倚在什么时候是 bug、什么时候其实才是正确的定义？