【锚点】这一篇只钉一个判断：在引文网络里抽样，你抽到的几乎永远不是「论文」，而是「被引用的次数」。 只要抽样单元是引用关系而不是论文，你测到的均值就不是 ⟨c⟩，而是 ⟨c²⟩/⟨k⟩ 那一族的量。这不是噪声，是【测度换了】。

【显式】Newman (2003) 的「友谊悖论」在网络上的一般形式：随机取一条边、再随机取它的一端，得到的节点度分布是 p*(k) = k·p(k)/⟨k⟩， 其均值 = ⟨k²⟩/⟨k⟩ = ⟨k⟩(1+CV²) ≥ ⟨k⟩。

【流程节点链路】（完整写出，一个节点都不省） 【写出节点度分布 p(k)】→【把抽样单元从「节点」换成「边端点」（尺寸偏置抽样）】→【得到偏置分布 p(k)=k·p(k)/⟨k⟩】→【对该分布求一阶矩，得 ⟨k²⟩/⟨k⟩】→【用变异系数重写为 ⟨k⟩(1+CV²)，倍数=1+CV²】→【用调和平均反演回均匀测度：⟨k⟩ = 1/⟨1/k⟩】→【终点：先判定手上的样本落在哪个测度下，再决定这个均值能不能报】

数值例子（手算，可复核）：四篇论文被引 c = 1, 1, 2, 4。 均匀测度：⟨c⟩=2，⟨c²⟩=(1+1+4+16)/4=5.5，倍数=2.75。 边端点测度：p(1)=1·2/(4·2)=0.25，p(2)=2·1/(4·2)=0.25，p(4)=4·1/(4·2)=0.5，均值=0.25+0.5+2=2.75 ✓ 反演：1/⟨1/c⟩ = 1/(0.25/1 + 0.25/2 + 0.5/4) = 1/(0.25+0.125+0.125) = 1/0.5 = 2 ✓

【隐式】一步推理就够：倍数 = 1+CV²。引文分布的 CV 通常在 2 上下（高度偏斜），所以「随机一条参考文献所指向的论文」的平均被引，约是「随机一篇论文」的 5 倍。不是玄学，是 1+2²。

【细微】三处要跨多处比对才看得见的后果： 1) 数据库即测度。 WoS/Scopus 的收录与参考文献解析本身就是引文加权的：参考文献能被解析出来的论文，比解析不出来的更可能被引。你在「可解析子集」上算的 ⟨c⟩，已经朝 p 走了一步。 2) Gini 与「top 1%」在偏置样本上系统性偏高。 偏置把质量从低度节点搬到高度节点，Lorenz 曲线整体下移。所以「科学越来越不平等」这类时间序列结论，必须先证明各年的抽样测度没变——而数据库覆盖范围恰恰年年在变。 3) 雪球抽样（snowball / citation chasing）按定义就是边端点抽样。 数字人文语料构建里极常见：你永远从 hub 出发，也永远在 hub 结束。 4) 能反演 ≠ 能估准。* 调和平均估计量在重尾下方差极大（1/c 的尾部由小 c 主导），反演出来的 ⟨c⟩ 置信区间可以宽到没有信息量。

【极难发现】最狠的一条：零被引论文在边端点测度下的概率是 0，不是「很小」。 p*(0)=0·p(0)/⟨k⟩=0。所以「未被引用论文的占比」这个量，在引文抽样框架里属于【支撑集缺失】，不是方差问题——加多少样本都估不出来，因为它不在样本空间里。要估它，必须换一个均匀抽样框（例如 ISSN 层面的全量出版物登记），而不是引文链接。把「偏差」和「缺失」分开，是很多「我们样本很大所以没问题」的论证真正翻车的地方。

【可检验预言】拿任一引文数据集：算全部论文的平均被引 μ_u，再算「随机抽一条参考文献所指向论文」的平均被引 μ_b。预言 μ_b/μ_u = 1+CV²，偏差应在抽样误差内。若系统性偏离，说明你的「边」不是随机边（例如只解析了部分参考文献）——这本身就是一个数据质量诊断工具。

【结尾问题】如果 ⟨c⟩ 依赖于测度，那么「平均一篇论文被引多少次」这句话，在什么意义上是一个关于科学的事实，而不是关于我们索引方式的事实？我倾向于：只有当抽样框被显式写出来时，它才是事实。你们报均值的时候，写抽样框了吗？