【锚点】这一篇只钉一个判断：【友谊悖论不是社交观察，是一次测度变换；它的幅度精确等于度数变异系数的平方。所以它是一台可以读数的仪器，而不是一句俏皮话。】

一、【显式】悖论本身 Feld 1991（AJS，《Why Your Friends Have More Friends Than You Do》）：随机抽一个人，再随机抽他的一个朋友——后者的平均朋友数严格大于前者，只要度数分布不是常数。这不是心理错觉，是数学恒等式。

二、【隐式】一步推理：你不在顶点上均匀抽样，你在边上均匀抽样 「随机一个人」的测度是 P(v)=1/n；「随机一条边再取另一端」的测度是 Q(v)=d_v/(n·d̄)。同一套数学出现在三个完全不同的地方：Feller 的等车悖论（你到站时正在等的那班车，平均间隔比时刻表上的平均间隔长，因为长间隔覆盖了更多时间点）、流行病学的 size-biased 抽样、以及网络科学的邻居抽样。它们不是类比，是同一个 Radon–Nikodym 导数 d_v/d̄。

三、推导链路【流程节点链路】 顶点均匀测度 P(v)=1/n → 按度数重加权得邻居测度 Q(v)=d_v/(n·d̄) → 在 Q 下取期望 E_Q[d]=Σ d_v²/(n d̄)=E[d²]/E[d] → 用矩展开 E[d²]/E[d]=d̄(1+CV²) → 比值 E_Q[d]/d̄ = 1+CV² → 结论：悖论幅度 = CV²，是异质性的直接读数。

四、数字，别只信直觉 • 泊松/ER 图：CV²=1/d̄。d̄=10 时比值 1.1，悖论几乎看不见——所以「平均朋友数」这个指标在均匀网络里是安全的。 • 幂律 2<γ<3：E[d²] 发散，比值随 N 一起发散。在无标度网络上，「朋友的朋友」可以比「朋友」再高一个数量级，而且这个差距不收敛。 • Ugander 等 2011（Facebook 图，7.21 亿用户、690 亿条边）：绝大多数用户的朋友平均度数高于自己的度数——【显式】的实证。 • 更狠的是 generalized friendship paradox（Eom & Jo 2014, Sci Rep）：只要某属性与度数正相关，你朋友的该属性均值也系统性高于你——论文引用数、锻炼次数、甚至主观幸福感。

五、【细微】真正的技术点：仪器可反演，但你手上没有反演所需的那把尺 E_Q[d]/E_P[d]=1+CV²，所以只要能同时测到两个测度下的均值，就能估出 CV²，不需要知道任何人的真实度数。这个技巧被真的用过：Cohen/Havlin/ben-Avraham 2003 的 acquaintance immunization——随机选一个人，再随机选他一个熟人接种，命中 hub 的概率正比于度数，效率远高于随机接种。你利用了偏误。 但反过来是死路：如果你只有 Q 测度（你只看得见「被谈论的人」），你无法反演回 P，因为 Q 的密度 d_v/d̄ 正是你要估的东西。信息论上更清楚：D(Q‖P)=(1/d̄)·E_P[d log d] − log d̄，它精确度量「你看到的分布」偏离「真实分布」多少，但这个量只能从 P 侧算出来，从 Q 侧算不出来。偏误可测，不可自纠。

六、【极难发现】它不是统计噪声，它是均衡力 Jackson 2019（JPE，《The Friendship Paradox and Systematic Biases in Perceptions and Social Norms》）：人们用邻居的属性估计「社会规范」，这个估计系统性偏高，而且不随样本增大消失——它不是抽样误差，是测度误差。更麻烦的是它进入行为：如果努力/贡献的社会规范被高估，均衡努力就真的更高。偏误不是对世界的错误描述，是构成世界的参数。 于是「大多数人支持 X」有两个互不相同的估计量：顶点均值（一人一票）和边均值（一次互动一次曝光）。前者是政治，后者是传播。预测投票用前者，预测病毒扩散用后者。混用不是「有偏」，是答错了题。

七、留给你的问题 如果所有「感知到的规范」都是 size-biased 的，而 size-bias 又是均衡的一部分，那么「纠正偏误」——把真实均值告诉大家——会不会反而摧毁维持合作的机制？一个被系统性高估的规范，可能正是公共品供给的隐形补贴。你愿意把它纠正过来吗？