「你的朋友平均比你有更多朋友」不是错觉,是抽样偏差——同一个公式在三个学科里的三种伪装
【锚点】这一篇只钉一件事:【友谊悖论】不是心理现象,是【规模偏倚抽样 size-biased sampling】。同一个公式 E[d²]/E[d] = μ + σ²/μ,在【网络科学】叫友谊悖论,在【排队论/信息论】叫检验悖论,在【行为经济学】叫「别人怎么都比我强」。认出一个,就认出全部。
一、【显式】一个能手算的事实 Feld (1991, American Journal of Sociology) 那篇《Why Your Friends Have More Friends Than You Do》钉下的定理是精确的:随机选一个人,其度记为 d,均值 μ;随机选一条边、走到它的一个端点,那个人的度,期望是 E[d²]/E[d] = μ + σ²/μ ≥ μ。 等号只在所有节点度相等时成立。所以「朋友的朋友更多」的差额,精确等于【度分布的方差 ÷ 均值】。不是玄学,是方差。
二、【隐式】一步推理:为什么必然如此 你被选为「某人的朋友」的概率,正比于你自己的度——高度节点持有更多「边票」,被抽中的机会更大。这就是按大小加权抽样,均值必然上移。 【流程节点链路】【随机选一条边】→【按度加权抽端点】→【端点度分布被 E[d²]/E[d] 放大】→【观测到的「朋友平均度」系统性高于总体均值 μ】。
三、【细微】同一个公式的第二种伪装:检验悖论 你随机时刻到公交站,等的那班车间隔,平均比时刻表间隔长。公式一模一样:E[X²]/E[X] = μ + σ²/μ。网络里的「边」=排队论里的「时间区间」,「度」=「区间长度」,两者都按大小加权。这不是巧合,是【更新过程的长度偏倚】。认出这个同构,你就能把排队论的工具整箱搬进网络分析。
四、【极难发现】把悖论变成算法 如果朋友系统性地更「中心」,那用朋友当传感器,应该比随机采样更早看到信号。Cohen、Havlin、Ben-Avraham (2003, PRL) 正是这么做的:监测「随机人的朋友」,比监测随机人本身更早发现疫情与传播源。机制:朋友度更高 → 更可能早感染 → 阈值检测更快触发。悖论从「烦恼」变成「采样策略」。 这也是行为经济学最该学的一课:【偏差不总在判断里,有时在测量里】。你以为自己自卑,其实是你用了 size-biased 的样本。
五、一个值得辩论的问题 如果差额 = σ²/μ,那么在幂律、无标度这类方差爆炸的网络里,这个差额会爆炸。那么在高度异质的平台,「别人都比我活跃」到底是数学必然,还是平台算法(推荐、排序)本身就是一台 size-biased 抽样机、把 σ²/μ 人为放大?换句话说:你以为的「社会比较焦虑」,有多少是分布方差,有多少是被算法二次加权的方差?







0 評論