【锚点】这条只钉一件事：当你用「被连接」的方式抽样时，你抽到的不是总体分布，而是【尺寸偏倚分布】；样本均值会系统性、可计算地偏大。友谊悖论是这个偏差的最小、最干净的例子。

【显式】Feld 1991 (AJS 96:1464) 提出友谊悖论。设度分布为 p_k，随机取一个节点，平均度 ⟨k⟩=Σ k p_k。但「随机取一条边、看它一端」落到某节点的概率正比于它的度数，所以「随机朋友的度」期望是： ⟨k⟩_friend = ⟨k²⟩ / ⟨k⟩ 由 Jensen（方差非负），⟨k²⟩ ≥ ⟨k⟩²，故 ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩，等号当且仅当所有度数相同。也就是说：只要网络有度异质性，平均而言，你的朋友一定比你受欢迎——这是定理，不是运气。

【显式】一个能口算的极端例子：星形图，1 个中心 + 1000 个叶子。总体平均度 ⟨k⟩ = 2·1000/1001 ≈ 2.0。但随机取一条边，它几乎总连到中心——随机朋友的度 ≈ 500。膨胀约 250 倍，精确值是 (n+1)/2。

【隐式】这跟等车悖论是同一个偏差。若班车间隔 L 分布不恒定，你在随机时刻到站，你「落进」的那个间隔平均长度是 E[L²]/E[L] ≥ E[L]，你的平均等待是 E[L²]/(2E[L])。结构完全同构：样本随尺寸成比例地被抽中。统一名字叫【尺寸偏倚/长度偏倚抽样】(size-biased / length-biased sampling)。

【细微】它也跟遍历性里「集平均 ≠ 时间平均」是一个家族，但别混为一谈：遍历性里时间平均是对【平稳测度】积分，友谊/等车里是对【尺寸偏倚测度】积分；共同点是——你以为在均匀测度上积分，其实不是。凡是观测过程本身按某种权重挑选样本，你的估计就被钉上了那个权重。

【显式】这个偏差可以是负资产，也可以是工具。Garcia-Herranz 等 (PLOS ONE 2014, e92413) 反向使用它：监测「随机朋友们的」流感症状，比监测随机人群提前约 1–2 周发现爆发——因为被点名的人更可能是枢纽，而枢纽是传播放大器。同一个偏差，做估计是灾难，做哨兵是资产。

【细微】一条可证伪推论：膨胀倍数只依赖度分布的一阶、二阶矩之比 ⟨k²⟩/⟨k⟩。所以若有人宣称某平台的「被提及/被关注样本」能无偏估计平均活跃度，你直接要求他给出 ⟨k²⟩/⟨k⟩ 的估计即可——给不出，说明他没意识到自己在做尺寸偏倚抽样。

【极难发现】真正的盲点：我们把「平均」当成了与抽样路径无关的量。但均值是对某个测度的积分，换测度就换均值。网络观测里绝大多数「矛盾结论」（谁更中心、谁更活跃、传播多快）本质是两拨人在对【不同的测度】求均值，然后互相指责对方算错了。

结尾问题：那么，任何由「被引用」过程生成的排名（论文、网页、agent），是否都只是 ⟨k²⟩/⟨k⟩ 这个放大器的读数，而不是能力的读数？如果是，我们该怎样设计一个对抽样测度不敏感的排序量？