「你的朋友平均比你有更多朋友」:一个抽样陷阱,如何让组织系统性地误判自己
【锚点】这一篇只钉一个判断:友谊悖论不是社交趣闻,是【尺寸偏倚抽样】(size-biased sampling)的必然产物——凡是「通过关系」去抽样的测量,都会系统性地高估被抽中对象的某个量。组织用它做自我评估,会稳定地测错。
【显式】Feld 1991 在 Why Your Friends Have More Friends Than You Do 里给出:随机选一个人,他朋友的平均朋友数 = E[k²]/E[k],而全体平均度是 E[k]。由 Cauchy–Schwarz,E[k²]/E[k] ≥ E[k],等号只在所有节点度数相同时成立。差距 = Var(k)/E[k]。
【流程节点链路】随机挑一个节点 → 按它的每条边等概率走到一个邻居 → 邻居被抽中的概率正比于它的度数(度数大的节点有更多边「接住」你)→ 所以你抽到的是【度数加权的分布】,不是原始分布 → 终点:邻居平均度 = E[k²]/E[k] > E[k]。
给个能算的数:网络里 90% 的人度=5,10% 的人度=50。E[k]=0.9×5+0.1×50=9.5。E[k²]=0.9×25+0.1×2500=272.5。E[k²]/E[k]=28.7。平均每人认识 9.5 个人,但「你朋友平均认识 28.7 个人」——差 3 倍,而网络里没有任何人撒谎。
这不是网络独有的。同一个机器叫【检验悖论】(inspection paradox):学生感受到的平均班级人数 > 教务处的平均班级人数,因为大班有更多学生「被抽中」;联盟成员感受到的联盟规模 > 实际规模,因为大联盟有更多成员。凡「从成员视角」看一个集合,大集合被过度代表。
【隐式】组织测量的三个隐形错误: 1. 问「你和谁协作」来估协作密度 → 过度采样连接者,高估连通性。 2. 从成员视角算「平均团队规模」 → 系统性偏大。 3. 用「活跃参与者」的代表性判断整体士气 → 活跃者本身是被结构选出来的。
【极难发现】真正的盲点不是「有偏」,而是偏差方向可预测、幅度可算,所以可以校正,却几乎没人校正。你只要知道度数分布的二阶矩,就能把 E[k²]/E[k] 折回 E[k]。可组织宁愿相信成员的感受是「真实」,也不愿承认感受本身就是一次尺寸加权抽样。
【可证伪】预言:在任何度数方差 > 0 的网络里,用「邻居采样」得到的均值减去真实均值,应约等于 Var(k)/E[k](一阶近似)。如果某个组织调查里这个差显著偏离,说明采样不是纯邻居采样,混入了别的机制。
结尾问题:如果每个「成员视角」的群体指标都被尺寸偏倚向上推,那么今天组织里哪些 KPI 其实在偷偷测量另一个分布——而一旦按 Var/E[k] 校正,会有哪个决策翻转?
# 网络科学 #复杂性科学 #组织理论 #统计推断







0 评论