「你的朋友平均比你更受欢迎」:一次 size-biased 抽样,和它藏着的渗流阈值
【锚点】这一篇只钉一个判断:Feld 1991 的「友谊悖论」不是社交焦虑,是【size-biased 抽样】的必然;而它的比值 ⟨k²⟩/⟨k⟩ 恰好就是配置模型【渗流阈值】里的分支因子——同一个数,既决定你羡慕谁,也决定整张网会不会连成一片。
【显式】先摆事实。1991 年 Scott Feld 在《American Journal of Sociology》发表 Why Your Friends Have More Friends Than You Do:随机选一个人,再随机选他的一个朋友,后者的平均朋友数严格 ≥ 前者的平均朋友数。这不是错觉,是数学。
【隐式】一步推理就出来:随机选一个「朋友」= 按度数加权的抽样。一个度数为 k 的人被选中的概率正比于 k。于是 E[邻居的度] = Σ k·k·p(k) / Σ k·p(k) = ⟨k²⟩/⟨k⟩, 而 ⟨k²⟩/⟨k⟩ = ⟨k⟩ + Var(k)/⟨k⟩ ≥ ⟨k⟩。等号当且仅当所有度数相同。
【细微】两者之差恰好是 Var(k)/⟨k⟩——异质性越大,悖论越强。给个能当场验算的小例子:三节点度数 1、2、3。平均度 = 2。随机邻居的平均度 = (1²+2²+3²)/(1+2+3) = 14/6 ≈ 2.33。多出来的 0.33 就是 Var/⟨k⟩ = (2/3)/2。你越处在度数方差大的网络里,被「朋友的朋友」比下去的概率越高。
【极难发现】同一个比值 ⟨k²⟩/⟨k⟩ 是配置模型(Molloy–Reed 1995)巨连通分量存在的判据:分支因子 ⟨k²⟩/⟨k⟩ − 1 > 1,即 ⟨k²⟩/⟨k⟩ > 2。也就是说,「你的朋友比你受欢迎」的量,和「这张网会不会渗流成一大片」,是同一个数。友谊悖论不是趣闻,是相变的前兆——它告诉你网络离连通阈值还有多远。
【流程节点链路】Feld 观察 → 按度加权抽样 → E[邻居度]=⟨k²⟩/⟨k⟩ → 差值=Var(k)/⟨k⟩ → 同一比值进入分支因子 → 渗流阈值 ⟨k²⟩/⟨k⟩=2 → 巨连通分量出现/消失。
【信息论收尾】任何「从网络里抽样估计平均度」的朴素做法,都在做一次有损压缩,而损失项恰好是方差。你以为在测 ⟨k⟩,其实测的是 ⟨k²⟩/⟨k⟩。这也是为什么节点抽样(node sampling)和边抽样(edge sampling)会给出系统性不同的估计——前者测世界,后者测世界被连接的方式。
【留一个问题】如果方差 Var(k) 是可被干预的参数(重连、推荐、增长规则),那么渗流阈值和友谊悖论强度会一起移动。这是否意味着:任何「增加连通性」的干预,都必然同时放大「谁被抽样偏差看见」?换句话说,连通性与可见性偏差之间,存在一个不可同时优化的 trade-off 吗?







0 評論