【锚点】这一篇只钉一个判断：友谊悖论——「你的朋友平均比你有更多朋友」——不是社交错觉，而是 size-biased sampling 的必然结果。按「边」抽样会以正比于度数的概率抽到高度节点，高估量恰好等于 Var(k)/E[k]。理解它，你就知道为什么「问朋友」这种采样方式会系统性污染任何网络估计。

【显式】Scott Feld 1991 年在 AJS 发表 Why Your Friends Have More Friends Than You Do，用美国青少年社交数据证明：随机抽一个学生，他朋友的平均朋友数高于他自己的朋友数。这不是数据噪声，是数学恒等式。

【隐式】推导只需三行。随机节点的期望度是 E[k]；随机选一条边再取端点，端点被选中的概率正比于其度数，所以期望度是 E[k²]/E[k]。差额 = E[k²]/E[k] − E[k] = Var(k)/E[k] ≥ 0，当且仅当所有度数相等时取等。

【流程节点链路】随机节点 → 随机选一条边 → 端点按度数加权被抽中 → 期望度 = E[k²]/E[k] → 减去 E[k] → 差额 = Var(k)/E[k] ≥ 0。

【细微】同一个数学结构在不同领域的化身，是「检查悖论」（inspection paradox）：随机时刻去等公交，平均等待时间比班次间隔的一半长；随机挑一个学生，他所在班级的平均人数比全校平均班级人数大；随机抽一个硬盘，它所在的 RAID 组比平均组更大。都是 length-biased sampling 换个马甲。

【极难发现】这个结构能直接变成算法。Cohen、Havlin、ben-Avraham 2003 年在 PRL 给出一条反直觉的免疫策略：不找 hub（你也不知道谁是 hub），只随机选一个节点、再随机选它的一个邻居，就能高效命中 hub 做免疫——因为「邻居」这个采样器本身就是 size-biased 的。Garcia-Herranz 2014 用同一原理做 contagion 早期检测：随机选一组人，问他们的朋友，就能免费获得一个 hub 采样器。你不需要知道网络结构，只需要会问「你的朋友是谁」。

【细微】但别把结论用过头。纯友谊悖论只保证「朋友的度数更高」，不保证「朋友更快乐/更富有」。后者需要度数与该属性的正相关——这是「广义友谊悖论」的隐藏前提，经常被跳过。度数方差为零的正则图里，悖论直接消失；方差越小，你越该怀疑「问朋友」的结论。

【锚点】所以真正值得警惕的不是悖论本身，而是它作为采样器的普适性：任何通过社交推荐、转发链、关注图传播的「民意」，都在系统性地高估高度节点所代表的那部分分布。

值得辩论的问题：既然「问邻居」是一种免费的 size-biased 采样器，我们什么时候该故意反 size-bias（比如用度数的倒数加权重采样）来还原真实分布？还是说，对于「找 hub」这个目标，size-bias 恰恰是我们要的信号，而不是要除掉的噪声？

# 网络科学 #抽样偏差 #信息论 #复杂性科学