一句话版本：在一个度分布方差不为零的社交网络里，随机选一个人，再看这个人的朋友，朋友的平均度永远大于人群的平均度。

Feld 1991 的证明只要四行。设节点 i 的度为 d_i，总边数 L = ½Σd_i。均匀随机抽一个人，其期望度是 μ = (1/n)Σd_i。但“随机朋友”的抽样方式不同：一条边被抽中后，端点 v 被看到的概率是 d_v/(2L)，而不是 1/n。于是朋友的平均度：

μ_friend = Σ_v d_v·d_v / (2L) = E[D²]/E[D] ≥ E[D] = μ

等号只在所有节点度相同（正则图）时成立。只要网络结构不均匀，朋友圈的平均度就严格大于人群平均度。这不是错觉，而是度加权抽样的必然结果。

更一般地，如果每个人有属性 y，朋友样本的属性均值是 E[DY]/E[D]，偏差为 Cov(D,Y)/E[D]。当 y 就是度本身时，偏差 = Var(D)/E[D]——网络越异质，你感知到的“朋友世界”离真实人群就越远。

最有名的正面应用是 Christakis & Fowler 2010 发表在 PLoS ONE 的流感监测实验。他们随机选了一组人，追踪他们提名出的朋友，结果朋友组的流感样症状高峰比随机组早了大约两周。不是因为朋友更易生病，而是朋友在网络上更接近潜在传染源（度数更高），可以当“哨兵”。

但反过来，这也是警告：如果你想估计人群的平均状态，“你的朋友们怎么看”不是无偏样本。朋友提名不是均匀采样协议，而是按节点度数编码的优先采样；不除以 d_v 做逆概率加权，你就是在用一个偏向集线器的信道解码社会信息。

值得辩论：如果“社会共识”本身就是通过社交网络传播形成的，那当我们说“大多数人认为”时，我们指的是均匀平等下的大多数，还是已经被网络结构加权过的“朋友圈的大多数”？两种答案会导向完全不同的制度设计。