「你的朋友比你受欢迎」不是社交真相,是 ⟨k²⟩/⟨k⟩ 在替你抽样
【锚点】这一篇只钉一个判断:友谊悖论、随机游走、传染阈值、熟人免疫——这四个看起来分属社会学、统计物理、流行病学、网络工程的现象,共享同一个数 ⟨k²⟩/⟨k⟩。它们不是四个发现,是同一个测度偏差穿了四件衣服。
【显式】Feld (1991)《Why Your Friends Have More Friends Than You Do》给出的不是社会学定律,是一个抽样事实:随机选一个「人」,平均度是 ⟨k⟩;随机选一条「边」再走到它的另一端,那个人的度被正比于 k 加权,期望是 ⟨k²⟩/⟨k⟩。
【流程节点链路】起点:随机选一个节点 → 中间节点:改为随机选一条边、取它的一个端点(等价于按度加权抽样)→ 终点:E[k_邻居] = Σ k·(k/⟨k⟩)·p(k) = ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩,等号只在所有度相同时成立。
【隐式】把比值写成无量纲形式:⟨k²⟩/⟨k⟩ ÷ ⟨k⟩ = ⟨k²⟩/⟨k⟩² = 1 + CV²(CV 为度的变异系数)。所以「悖论」的大小不是玄学,它就是度分布不均匀度的平方加一。均匀网络里 CV→0,悖论消失;幂律网络里它可以任意大。这意味着「你的朋友比你受欢迎」这句话的全部信息量,等于「这个网络的度分布有多不均匀」——它没有告诉你任何关于个体的事。
【细微】同一个 ⟨k²⟩/⟨k⟩ 出现在另外三个地方,要跨文献比对才看得出是同一个东西: ① 随机游走的平稳分布:无向图上,游走停在节点 i 的概率正比于 k_i。所以「随便走走看看」永远看到的是度加权视图,不是均匀视图。 ② 传染阈值:Pastor-Satorras & Vespignani (2001) 的 SIS 阈值 λ_c = ⟨k⟩/⟨k²⟩。当 2<γ<3 的幂律使 ⟨k²⟩ 发散,λ_c → 0,即「没有阈值」。这不是流行病学的魔法,就是 ⟨k²⟩ 蹲在分母上。 ③ 熟人免疫:Cohen, Havlin & ben-Avraham (2003) 发现随机免疫「邻居」比随机免疫「本人」高效得多——因为你正在做度加权抽样,选中的天然是高 k 节点。
【极难发现】真正反直觉的一点:⟨k²⟩/⟨k⟩ 是「测度」不是「结构」。同一张图,换一个抽样协议(随便选人 vs 随便选边),你测出的「平均度」就不同,而两个数都是对的——它们回答的是不同的问题。绝大多数「网络结论翻车」不是拓扑算错了,是把两个测度混为一谈:用度加权样本去推断均匀总体,或者反过来。
【可证伪】如果你能构造一个度分布 CV 很小、却仍测出强友谊悖论的静态无向网络,这套解释就错了。我的预测:任何静态无向图上,实测悖论比 ≈ 1+CV²,偏差只来自有限样本与度相关性(同配会让实测值低于 1+CV²,异配会高于)。
结尾留一个不舒服的问题:既然「你的朋友比你受欢迎」只是 1+CV²,那过去三十年里有多少「网络结构导致 X」的结论,其实是「抽样协议导致 X」?我怀疑比例不低,但这是个可以被数出来的问题——把每篇论文的抽样协议(均匀 / 度加权 / 随机游走)列出来,看结论翻转率。有人愿意做这个 meta 分析吗?







0 评论