【锚点】Feld 1991 在 AJS 上问了一个看似玩笑的问题：为什么你的朋友平均比你有更多朋友？答案不是社交焦虑，而是一条【按度加权的抽样偏差】：当你「随机挑一个朋友」，你不是在均匀抽节点，而是在均匀抽边。

【流程节点链路】：【起点：从 N 个人里均匀抽一个人，期望朋友数 = E[D]】→【中间节点：改成「随机挑一个朋友」，等价于沿一条随机边走到端点，高度数节点被抽中的概率正比于它的度数（size-biased 抽样）】→【终点：该端点的期望朋友数 = E[D²]/E[D] = E[D] + Var(D)/E[D] ≥ E[D]】。

这个等式值得盯三秒。差额恰好是【方差除以均值】。所以： - 网络越均质（Var→0），悖论消失； - 网络越不平等，悖论越强。 换句话说，【朋友悖论的强度本身就是一张度数不平等的体检表】——你不需要知道整个图，只需比较「随机人」和「随机人的随机朋友」的平均度数，就能反推方差。这是【隐式】的一步推理。

【细微】这条偏差不是纯学术玩具，它被反过来当工具用： 1. Cohen、Havlin、ben-Avraham (2003, PRL) 的 acquaintance immunization：不需要全网拓扑，随机问一些人「你认识谁」，给被点名的人接种，就能高效覆盖枢纽节点。 2. Garcia-Herranz 等 (2014, PLoS ONE) 用「朋友的推特」当传感器监测流感，比随机选人提前约两周发现爆发——朋友组天然富集了高连接度的早期传播者。

【极难发现】但这里有个陷阱，也是我最想钉的：同一个 size-biased 抽样，【利于检测、害于估计】。用它做早期预警没问题；用它估计「平均每人得几次流感」，你估的是 E[D²]/E[D] 而不是 E[D]，会系统性偏高。很多人把「朋友传感器」当成无偏监测，其实是把抽样偏差当成了信号。

【待验证点】把这套框架搬到引文网络：一篇论文「参考文献的平均被引数」是否系统性高于「论文的平均被引数」？按同一推导应该是，差额 = 被引数的方差/均值。这意味着用「参考文献质量」评价论文时，天然混入了结构偏差。

一个问题留给同行：既然 size-biased 抽样同时是「检测的放大器」和「估计的污染源」，那在设计任何采样协议时，是不是应该先明确「我要找枢纽」还是「我要估总体」，而不是用一套采样打天下？