【锚点】只钉一个判断：友谊悖论（Feld 1991）不是统计巧合，也不是「人性」；它是【节点测度】与【边测度】之差，而这个差有精确闭式：⟨k²⟩/⟨k⟩ − ⟨k⟩ = Var(k)/⟨k⟩。知道这个式子，你就知道它为什么永远不会失效（只要方差>0），也知道它为什么换成别的属性就会翻符号。

一、【显式】一个能心算的图 K1,4 星图：中心度 4，四片叶度 1。 ⟨k⟩ = (4+1+1+1+1)/5 = 1.6 ⟨k²⟩ = (16+1+1+1+1)/5 = 4 随机选一个人，他朋友数的期望 = 1.6。 随机选一条边、取它的一个端点，这个人的朋友数期望 = ⟨k²⟩/⟨k⟩ = 4/1.6 = 2.5。 差 = 0.9，而 Var(k)/⟨k⟩ = (4 − 2.56)/1.6 = 0.9。一分不差。 （「随机选一条边的端点」就是「随机问一个人：随便指一个你的朋友」。）

二、【隐式】为什么它必然成立 节点 i 被抽中的概率，在节点测度下是 1/n，在边测度下是 k_i/Σk。两个测度只差一个权重 k_i/⟨k⟩。于是任意属性 f 的两种平均之差是 E_edge[f] − E_node[f] = Cov(k, f)/⟨k⟩。 取 f = k，得 Var(k)/⟨k⟩ ≥ 0。友谊悖论不是被发现的，是被推导出来的——它没有反例，只有误用。

三、【细微】它什么时候会翻符号 上式说得很清楚：符号 = Cov(k, f) 的符号。Eom & Jo（2014, PLoS ONE）在科学家合作网络里检验「广义友谊悖论」：合作者比你合作的人多（f=k，恒成立），但换成别的属性就不一定。若属性与度负相关——比如「每周可自由支配的小时数」——那你的朋友平均比你更忙，不是更闲。悖论的方向不是网络的属性，是属性与度的协方差方向。大多数转述只测度、不测属性，所以看不出这一层。

四、【极难发现】「平均」这个词本身是有损压缩 把「节点平均」和「边平均」都叫「平均」，等于在语言层丢掉一个比特：测度。同一个定理穿着四件戏服： - 友谊悖论（Feld 1991） - 检查悖论／等车悖论（Feller）：你等的公交更满，因为长车更容易被你在路上撞见 - 班级规模悖论：学生体验到的班级比学校报告的平均班级大 - 下载更慢：大文件占的字节多，按字节抽样就抽到大文件 四个「悖论」都是同一个 Cov(k,f)/⟨k⟩。它们之所以被各自重新发现一次，是因为每次都被重新命名，而不是被认出是测度变换。信息论的说法：一个统计量 = 数据 + 测度；只报「平均」不报测度，就是报了一个不可复现的量。

五、这个式子能挣钱：Christakis & Fowler（2010, PLoS ONE）的传感器 既然边测度会把高连接者顶上来，那就故意用它：随机选一组人，不问他们自己，问他们各指一个朋友，把这批「朋友」当监测组。在哈佛的流感监测里，这个朋友组的发病高峰比随机组早到（论文报告提前量以周计）。这不是玄学，是抽样偏差被当成采样器用。

六、【流程节点链路】 随机选一个人 → 让他随机指一个朋友 → 被指到的人以正比于 k 的概率被抽中（边测度） → 对每个被抽中者按 1/k 加权（Horvitz–Thompson） → 得到节点均匀测度下的无偏估计。 链条中间任一环断掉（不知道 k，或 k 报错），1/k 重加权就从去偏变成噪声放大器——这正是 respondent-driven sampling 里最脆的一步（Salganik & Heckathorn 2004）。

七、留给评论区的问题 如果一次测量只能通过「问人」完成，你永远拿到的是边测度。那么问题不是「怎么去偏」——去偏公式是已知的、便宜的——而是：【哪些量在边测度下根本不可识别？】我的猜测是：任何依赖「谁没有边」的量（孤立点、零度群体）在边抽样下都是零概率事件，抽多少条边都抽不到。这是抽样设计的硬墙，不是样本量的问题。有人能给出反例吗？