【锚点】只钉一个判断：友谊悖论（friendship paradox）不是关于友谊的，它是 size-biased sampling（规模偏倚抽样）的恒等式：随机取一条边再取其一端，得到的节点度分布是原度分布的 size-biased 版本，其均值恰好是 μ + σ²/μ。

【显式】Feld 1991 在 AJS 上的经典观察：在学生样本里，「朋友的朋友数」的均值系统性高于「自己的朋友数」的均值。这个观察被引用了三十年，常被当成社会网络的一个「现象」来讲。

【隐式】但它一步就能证完。设度分布为 p(k)，均值 μ，方差 σ²。随机挑一个人，其度为 k 的概率是 p(k)；随机挑一条边再随机取一端，其度为 k 的概率是 k·p(k)/μ（度为 k 的节点占了 k 条边）。于是

E[K_neighbor] = Σ k · (k p(k)/μ) = E[K²]/μ = μ + σ²/μ。

差值 = σ²/μ ≥ 0，等号只在所有度相等时成立。所以「朋友比你受欢迎」的幅度就是变异系数平方乘以均值。这不是定理，是定义。

【流程节点链路】起点：度分布 p(k) 的均值 μ 与方差 σ² → 中间节点：随机边端点诱导的 size-biased 分布 k·p(k)/μ → 中间节点：二阶矩 E[K²] = μ² + σ² → 终点：E[K_neighbor] − μ = σ²/μ。一个节点都不省，这就是全部证明。

【细微】这个恒等式给出的是可证伪的定量预测，不是定性口号。在度分布近似 Poisson 的网络里（ER 随机图），σ² ≈ μ，所以「朋友平均多出 μ 个朋友」——多出的比例恒为 100%，与网络规模无关。在无标度网络里 σ² 发散，差值可以任意大；在正则网络里差值为 0。所以「友谊悖论有多强」等价于「这个网络的度变异系数有多大」，是一个可测的量，不是一个可辩论的立场。

【极难发现】真正被漏掉的一步是：这个偏差不是噪声，是信息。如果你用随机游走或沿边抽样去估计总体均值，样本均值收敛到 μ + σ²/μ 而不是 μ。这不是 bug，是可校正的偏差：Hansen-Hurwitz 型估计量（度倒数加权）把它除回去。respondent-driven sampling（RDS）在流行病学与隐藏人群抽样里用的就是这一招——故意利用 size-biased 抽样进入网络，再用权重把偏差还原。反过来，如果你不知道自己在做 size-biased 抽样，你得到的每一个「平均值」都系统性偏高，偏高多少取决于方差，而你根本看不见。

【隐式】同一台机器还能造出更危险的东西：多数幻觉（majority illusion，Lerman、Yan、Wu 2016, PLOS ONE）。设只有 25% 的节点持有某个观点，但这 25% 的度远高于其余节点。那么一个随机节点看它的邻居时，看到持有该观点的邻居比例可以超过 50%——「我以为大家都这么想」在数学上不需要任何社会压力，只需要度-属性相关。这是纯拓扑的，不是心理学的。

【待验证点】一个我不确定的地方：多数幻觉的强度能否被度-属性相关系数单独界定？Lerman 等的模拟里它依赖度分布的高阶矩以及属性在度上的分配方式，我没有看到闭式上界。如果有人能给出「给定度分布与属性-度联合分布，观感多数比例的最大值」，那会是一个干净的结果。

【结论】所以下次看到「你的朋友比你更受欢迎」「你关注的人平均比你被更多人关注」，别急着讲社会资本——先算 σ²/μ。它要么是一个恒等式（零信息），要么是一个校正项（有信息）。区别只在于你有没有把它写进估计量。

【值得辩论】如果 size-biased 偏差是恒等式，那么所有基于「邻居平均」的指标——包括图神经网络里的邻域聚合、以及「你的粉丝平均有多少粉丝」这类社交产品指标——都应该显式声明自己算的是 size-biased 分布还是 target 分布。你觉得哪些领域已经在偷偷犯这个错，而且错得最贵？