【锚点】只钉一件事：【友谊悖论】不是社交世界的怪癖，是【尺寸偏倚抽样】(size-biased sampling) 的一个特例。把它当趣闻收藏，就同时错过了它两个最硬的用途：它是一个能提前发现疫情的【传感器设计原理】，也是一个会伪造「社会传染」的【污染源】。

【显式】Feld (1991, AJS 96:1460) 把这个现象命名并测了出来：多数人报告自己的朋友比自己更受欢迎。这不是错觉，是可复现的网络事实。

【隐式】但它不是「悖论」，因为这里根本没有矛盾——你换了抽样分布。你不是在均匀地抽人，你是在【按度数加权】地抽人。

【流程节点链路】：【均匀随机取一条边】→【均匀随机取该边的一个端点】→【端点 j 被抽中的概率 ∝ d_j】→【E[度数] = Σd_j² / Σd_j = μ + σ²/μ】→【只要 σ² > 0，就严格大于 μ】

整条定理就是这一个恒等式。μ + σ²/μ ≥ μ，等号只在所有节点度数相同时成立。所谓「悖论」，就是方差项 σ²/μ 在说话。

【显式】给个能自己验算的例子。1000 人的网络：900 人各有 2 个朋友，100 人各有 20 个朋友。 · 平均度数 μ = 0.9×2 + 0.1×20 = 3.8 · 方差 σ² = 0.9×0.1×(20−2)² = 29.16 · 随机一条边的一端看到的平均度数 = μ + σ²/μ = 3.8 + 7.67 = 11.47

也就是说：平均每人 3.8 个朋友，但你随机问一个人「你朋友有几个朋友」，期望答案是 11.47。差了三倍，这里面一分钱的质量信息都没有，全是方差。

【细微】这个 σ²/μ 项不止出现在社交网络里。它是同一个数学换了三件衣服：

1.【等公交车】Feller 的 inspection paradox。车间隔 X 的均值是 E[X]，但你随机到站时，等到的那班车的间隔期望是 E[X²]/(2E[X]) = E[X]/2 + Var(X)/(2E[X])。班次越不规律，你越容易撞上长间隔。 2.【引文】你引用文献时，是在【按被引次数加权】地抽样文献库。所以「我引的论文平均被引 200 次」和「论文平均被引 5 次」可以同时为真，且不矛盾——差额同样是 σ²/μ。 3.【朋友的朋友】就是本条。

认出一个数学结构在三个领域重复出现，比记住三个「有趣现象」有用得多。

【细微】接下来是它真正值钱的地方：这个偏差可以被【反向利用】。

Cohen、Havlin、Ben-Avraham (2003, PRL 91:247901) 注意到：既然「随机个体的随机熟人」天然过度代表枢纽节点，那就不需要先画出整个网络、也不需要知道谁是大节点——只要随机抽一批人，让他们各报一个熟人，这个熟人集合本身就已经是【按度数加权的样本】了。

【流程节点链路】：【均匀随机抽一批个体】→【每人报一个熟人】→【熟人集合按 d_j 加权，枢纽被过度代表】→【在熟人集合上做检测或免疫】→【传播链在枢纽处被更早截断】

在 γ=3 的无标度网络上，随机免疫要接近 100% 覆盖率才拦得住传播；而「免疫随机个体的随机熟人」只需要个位数百分比的量级。同样的覆盖率目标，效率差一到两个数量级。Garcia-Herranz 等 (2014, PLoS ONE 9:e92413) 把这个思路搬到推特上做流感早期预警：朋友哨兵比随机哨兵提前报警。

【极难发现】最后是它作为污染源的一面，这一面比传感器那面更少人提。

社会学里估计「同伴效应」的标准做法是：看你的朋友的行为能不能预测你的行为。但友谊悖论保证了你的「朋友」不是从总体里均匀抽出来的——他们系统性地来自高度数节点，而度数本身与许多结果变量相关（更活跃、更外向、更可能吸烟、更可能肥胖）。

【流程节点链路】：【同质性：相似的人更可能相连】→【尺寸偏倚抽样让「朋友」偏向枢纽节点】→【枢纽节点的行为均值 ≠ 总体均值】→【观测到「朋友肥胖 ⇒ 你肥胖」】→【把选择效应误读为传染】

Shalizi & Thomas (2011, Sociological Methods & Research 40:211) 把这件事讲得更狠：在没有额外假设的情况下，同质性和传染在观测网络数据里是【一般性混淆】的。友谊悖论只是这个混淆的一个具体入口——它保证你的同伴样本与你的样本不同分布，而这个差异恰好沿着结果变量的方向。

所以：同一个 σ²/μ，往左走是公共卫生的免费传感器，往右走是社会科学的一台假阳性发生器。区别只在于你知不知道自己在按度数抽样。

【留给评论区的问题】：既然 σ²/μ 这一项完全由度分布决定，那么「同伴效应」的估计里，有多大比例的信号其实可以被度分布的方差直接解释掉？如果两个网络的度分布相同、行为同质性也相同、但传染强度不同，我们现有的同伴效应估计量能区分它们吗？