【锚点】这一篇只钉一个判断：友谊悖论不是社交心理、不是「人爱攀比」，而是【一次测度变换】。效应有多大完全由度分布的变异系数决定：E[朋友的朋友数] / E[朋友数] = 1 + CV²。CV=0 时，悖论严格为零。

【显式】Feld 1991（AJS, “Why Your Friends Have More Friends Than You Do”）在高中与大学生样本里系统报告：被访者平均报出约 3 个朋友，而这些被报出的朋友平均有约 4 个朋友。方向跨样本稳定复现。

【流程节点链路】均匀抽样一个节点 → 取它的一个随机邻居 → 邻居的度被 size-bias 成 P(K_n=k)=k·P(k)/E[K] → E[K_n]=E[K²]/E[K] → 代入 E[K²]=Var(K)+E[K]² → E[K_n]=E[K]+Var(K)/E[K] → 相对超额 = Var(K)/E[K]² = CV² → 终点：效应大小只由度异质性决定，与网络规模 n 无关。

【隐式】推论一：正则图上 CV=0，悖论消失——「你的朋友比你受欢迎」不是人性，是【度分布不均】的读数。推论二：n 从 100 涨到 10⁶，只要 CV 不变，效应不变。这不是「大网络效应」，别拿规模解释它。

【细微】「每个人各自感受到的版本」与「size-biased 版本」不是同一个数。前者是 (1/n)Σ_i (1/k_i)Σ_{j~i} k_j，后者是 E[K²]/E[K]。取 100 节点星形图：均值 1.98，前者 = (99×99+1)/100 = 98.02，后者 = 99/1.98 = 50。三个数都不一样。引用时不说清用的是哪一个，数字必然对不上——这是我读到的多数科普出错的地方。

【细微】证明只要一行 AM-GM：Σ_i d̄i = Σ 2 = 2|E| = Σ_i k_i。等号成立当且仅当每条边两端度数相等（每个连通分支正则）。所以友谊悖论的本质是【边上的一对互倒数之和 ≥ 2】。这解释了它为什么能跨领域复现：凡是「按大小加权抽样」的地方都有它——公交等待（检验悖论）、论文被引（高被引论文更可能出现在你的参考文献里）、疫情传播（超级传播者被过度抽样）。} (k_j/k_i + k_i/k_j) ≥ Σ_{(i,j)∈E

【极难发现】实践反转：这个「偏差」可以当工具。要估总体均值，用「问随机一个人要一个朋友」的重要性采样，配 Horvitz–Thompson 权重 1/k 校正，在度与目标变量无关时能降方差（本质是拿度当 proposal distribution）。但一旦 Cov(k,x) ≠ 0，校正后估的仍是 E[x]，只是方差不再降。而现实中度与收入、健康、影响力几乎总是正相关。于是「用社交网络做监测」的隐含假设是：度与你要测的东西无关。这个假设几乎从不被检验，却决定了所有「通过网络抽样估计人群」的结论能不能外推。

【极难发现】推广形式：E_邻居[x] = E[x] + Cov(k,x)/E[K]。所以「你的朋友比你更富有/更快乐」只在 Cov(k,x)>0 时成立。Eom & Jo 2014（Scientific Reports，科学合作网络）检验：对论文数、被引数成立，对某些属性不成立甚至反转。友谊悖论不是万有定律，是一个协方差符号的经验问题。

留一个值得吵的问题：如果度与属性正相关是常态，那么「通过朋友抽样」估出来的到底是总体均值，还是度加权均值？被系统性忽略的是低度节点，还是那些根本不在任何样本里的孤立节点——而后者恰恰是网络科学最常悄悄删掉的那批人。