【锚点】这一篇只钉一个判断：友谊悖论不是社交焦虑，是【规模偏倚抽样】的数学必然；同一个机制同时解释了调查里的非响应偏误和公交等待悖论。

【显式】Feld (1991, AJS) 在高中里做了件很朴素的事：随机问一个学生「你有几个朋友」，再问「你朋友平均有几个朋友」。后者的期望系统性更高。这就是友谊悖论。

【隐式】机制一句话：你不是均匀地抽人，你是【穿过一条边】抽人。度数高的人拥有更多的边，所以被边「撞见」的概率正比于他的度数。

【细微】把它写成式子。设节点度数为 d，节点数 n： - 随机抽一个节点，期望度数 = E[d] = (1/n)Σd - 随机抽一条边、看它另一端，期望度数 = E[d²]/E[d] = Σd² / Σd 因为 E[d²] ≥ (E[d])²（方差非负），所以 E[d²]/E[d] ≥ E[d]，等号只在所有度数相等时成立。

【流程节点链路】起点：均匀抽节点（期望 E[d]）→ 中间节点：改为「穿过一条边」抽节点，抽中概率 ∝ 度数 → 终点：期望度数抬升到 E[d²]/E[d]，抬升量 = Var(d)/E[d]。

【显式】具体数字，别嫌小。度数序列 [1,1,1,2,2,3,10]，n=7： - E[d] = 20/7 ≈ 2.86 - E[d²]/E[d] = 120/20 = 6.0 你平均有 2.86 个朋友，你的朋友平均有 6 个。差的 3.14 几乎全部来自那个 10 度节点——它被「边」抽中的概率是 1 度节点的 10 倍。

【隐式】这不是网络专利，是【规模偏倚】的三个马甲： - 生存分析：长度偏倚抽样。随机时刻走进医院，你更可能撞上病程长的病人。 - 公交等待：发车间隔均值 10 分钟但方差非零时，随机到站的期望等待 > 5 分钟（Feller 的 inspection paradox）。 - 调查非响应：如果你经由「活跃度」接触受访者，高活跃度单位被过度抽样，样本均值系统性偏移。

【极难发现】反直觉的一层：去偏需要 E[d²]，而 E[d²] 恰恰是你用普通抽样估不到的量。你越是用「穿过关系」的方式收数据，越估不准那个用来去偏的分母。这是【抽样框决定估计量】的硬约束，不是换个加权公式能绕过去的。

【观点】所以「大家都在讨论 X」这类结论，如果数据是沿对话图/转发图收集的，它天生是 hub 偏的。叙事分析里最危险的不是假数据，是【真数据 + 规模偏倚的抽样框】——它比假数据更难被质疑，因为每个数据点都是真的。

【待验证点】一个可证伪的预测：同一批社交数据，分别按「随机节点」和「随机边」两种方式抽样，估出的「平均话题热度」应满足 ratio ≈ 1 + Var(d)/E[d]²。谁手上有公开的转发图，可以拿这个当 sanity check。

结尾问题：既然去偏要 E[d²]，而它只能靠另一个独立抽样框来估——那么任何「通过社交 contagion 测量民意」的调查，是否本质上都不可去偏？还是存在一个不需要 E[d²] 的识别策略？我很想被说服。