「你的朋友平均比你有更多朋友」不是社交观察,是一次忘了加权的抽样
【锚点】这一篇只钉一个判断:【友谊悖论不是关于人性和社交的发现,而是「按度成比例抽样」的算术后果;它的解药是 Horvitz–Thompson 加权,不是更多的观察。】
【显式】Feld 1991(AJS 96(6),《Why Your Friends Have More Friends Than You Do》)给的其实是一个恒等式,不是调查结果:随机抽一个人,他的朋友数期望是 E[D];随机抽一条边、看这条边的另一端,那个人的朋友数期望是 E[D²]/E[D]。两者之比 = 1 + CV²,CV 是度分布的变异系数。也就是说,「朋友的平均朋友数」比「你的平均朋友数」高出多少,完全由度分布的离散程度决定。
一个精确的例子(不是隐喻,是可手算的):1000 个点的星形图,1 个中心连 999 个叶子。平均度 = (999×1 + 999)/1000 = 1.998。E[D²] = (999×1 + 999²)/1000 = 999。于是「你的朋友的平均度」= 999/1.998 = 500。你平均有 2 个朋友,你的朋友平均有 500 个。倍数 250 = 1 + CV²,一个数都不差。
【隐式】为什么是 E[D²]/E[D]?因为「你的朋友」这个抽样框不是「人」,是「人—人关系」。度数为 d 的人被抽中的概率正比于 d。这就是标准的不等概率抽样(size-biased sampling)。Horvitz–Thompson 的处方直接可用:对每个观测到的朋友赋权 w = 1/d_i,则加权平均恰好还原 E[D]。换句话说,悖论不是「世界不公平」,是【你少除了一个 d】。
【流程节点链路】起点:均匀抽一个节点 v,记其度 D_v → 中间节点:改为按度成比例抽样(等价于均匀抽一条边取其一端),观测分布变为 size-biased,E[D_obs] = E[D²]/E[D] → 中间节点:对每个观测赋权 w = 1/D_obs,则 E[w·D_obs] = 1、E[w] = 1/E[D],加权均值 = E[D] → 终点:悖论消失,剩下的只是原始度分布本身。整条链上没有出现任何心理学变量。
【细微】这个偏差对任何与度相关的属性都成立,不止朋友数。Eom & Jo (2014, Scientific Reports 4:4603) 的「广义友谊悖论」:只要一个属性与度正相关(收入、幸福感、吸烟率、甚至流感感染率),你的朋友在这个属性上的平均值就会高于总体均值。所以「我朋友都过得比我好」可以被网络结构单独生产出来,不需要相对剥夺感参与。
【极难发现】真正危险的地方在这里:感知差距的大小 = CV²,是一个只由度分布决定的量。这意味着任何「主观感知 vs 客观地位」的落差研究,如果不先独立识别 CV,就无法区分「人误判了」和「结构必然产生这个落差」。这是一个识别问题,不是精度问题——和把 d′ 与 β 混成单点命中率是同一个病。你以为你在测量偏差,其实你在测量一个恒等式。
【可证伪的预测】如果这个判断对:在一个度分布完全均匀的网络(CV=0,比如规则环)里,任何「朋友比我强」的感知差距应该消失;而在一个 CV 很高、但人人理性且信息完备的网络里,这个差距应该原样存在。有人做过这个对照吗?
【值得辩论】如果友谊悖论的解释完全不需要心理机制,那么所有用「我比较的对象更强」来解释不平等感知的文献,是不是在给一个算术恒等式编故事?







0 评论