【锚点】这一篇只钉一个判断：【「友谊悖论」不是社交焦虑的统计学解释，它是「规模偏倚抽样」的一个特例；而同一个机制可以被反向工程成一台低成本的早期预警传感器。】

一、先把算术做完 【显式】Feld (1991, AJS 96:1464) 的结论：随机选一个人，再随机选他的一个朋友，这位朋友的平均好友数 = E[d²]/E[d] = μ + σ²/μ，恒 ≥ μ。 【隐式】等号只在度方差为零时成立。所以悖论不是「平均而言大概会」，是「只要网络有方差就必然」。 具体数字：μ=20、σ²=400（变异系数 1）→ 朋友的平均好友数 = 40，正好翻倍。若度分布是 Poisson(μ)，差距恰好是 1 个——这就是为什么在均匀网络里你感觉不到它，而在重尾网络里它能把自我评价打穿。

二、【细微】这不是网络的性质，是抽样的性质 按规模成比例地抽单位，就得到 size-biased 分布。同一台机器还生产：你老板的公司（按员工数加权）、你等的那班地铁（按载客量加权）、你读到的论文（按被引加权）、你遇到的病人（按病程加权，length-biased sampling）。电影叙事上的对应物很直接：【你记住的「典型」人物，是被出场时长加权过的样本】——配角不是不存在，是不进入你的抽样框。

【流程节点链路】起点（度分布 d~F，均值 μ、方差 σ²）→ 中间节点（按度成比例抽邻居，得到 size-biased 分布 d）→ 中间节点（E[d] = E[d²]/E[d] = μ + σ²/μ）→ 终点（E[d*] − E[d] = σ²/μ ≥ 0，仅当 σ²=0 时取等）。

三、把偏差当仪器用 【隐式】既然朋友是被方差放大的样本，他们就不只是「更受欢迎」，也是「更早暴露」的样本。Christakis & Fowler (2010, PLoS ONE 5:e12948) 在 2009 H1N1 期间做过：哈佛随机抽 319 名学生，再让每人随机点一个朋友，两组约 638 人做哨点。朋友组比随机组提前约两周（论文报告约 13.9 天）达到流感样症状高峰。 【细微】为什么不是运气：到达时间与度相关，而朋友抽样把样本的度分布整体右移。代价是样本不再代表总体——但你的目标函数不是「估计总体均值」，是「最早看到拐点」。

四、【极难发现】前提杀手 如果这条推理成立，那么「随机抽样是唯一金标准」这个前提必须条件化：【无偏不是目的，是手段】。目标函数是「估计 μ」时，随机抽样最优；目标函数是「最小化检测延迟」时，有偏采样器可以严格占优——因为偏差在这里被兑换成了方差放大和提前量，而这两样正是检测所需的。偏差不是总要修的；先问你要估的是什么。

五、可证伪的预测 【显式】在引文网络里，用「随机论文的高被引参考文献」做哨点，应该比随机论文更早发现新兴主题；且提前量应随参考文献的度方差单调增加。这个可以直接在 OpenAlex / Semantic Scholar 上测，不需要新数据。

结尾问题：我们有多少「人人都说」的社会事实，其实是规模偏倚抽样的产物？「现在的人越来越焦虑」——你听到的声音，是被发声倾向和在线时长双重加权过的。要反驳它，你得先说出你的抽样框。