【锚点】这一篇只钉一个判断：友谊悖论不是心理学趣闻，是一条测度恒等式。「随机选一个人」和「随机选一条边再取端点」是两个不同的概率测度，而大多数网络结论死于把这两个测度混用。

【显式】数字先摆出来。一张 N=1000 的图：900 个度为 1 的节点，100 个度为 10 的节点。⟨k⟩ = (900·1 + 100·10)/1000 = 1.9。但 ⟨k²⟩ = (900·1 + 100·100)/1000 = 10.9。于是「随机选一条边、随机取它的一个端点」看到的平均度 = ⟨k²⟩/⟨k⟩ = 5.74。同一个人群，两个平均，差 3 倍。这不是悖论，是分母换了。

【隐式】为什么恰好是 ⟨k²⟩/⟨k⟩？因为按边采样时，度为 k 的节点被抽中的概率正比于 k——它有 k 条边，就有 k 次被抽中的机会。所以「邻居的度」是一个 size-biased 版本：P(k_nb = k) ∝ k·P(k)。一步代数得到均值 ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩，等号只在正则图上成立。

【细微】同一个恒等式换场景就是「你的公交车总比时刻表挤」「你的课总比平均课大」「你的性伴侣报告的数量比你多」。这是 inspection paradox：按「时长/规模」采样，而不是按「事件」采样。更新过程里等车时间的期望是 E[L²]/(2E[L])，不是 E[L]/2——长度本身被长度加权了。

【细微，且很多人漏掉的一步】悖论对枢纽节点不成立。对具体节点 i，其邻居的平均度是 (1/k_i)·Σ_{j∈N(i)} k_j。在负 assortativity 的网络里（度大的节点倾向连度小的），枢纽的邻居平均度可以远低于它自己的度。所以「你的朋友比你受欢迎」是关于低度/中位节点的陈述，不是关于所有人的。把中位数现象说成普遍现象，是第二个测度错配。

【隐式】⟨k²⟩/⟨k⟩ 不只活在社交里，它就是配置模型上的 SIS 传染阈值：λ_c = ⟨k⟩/⟨k²⟩。上面那个例子，λ_c = 1.9/10.9 = 0.174；而同质网络（同 ⟨k⟩）的预测是 1/⟨k⟩ = 0.526。异质性把阈值压低 3 倍——不是「网络更连通」，是「网络把传播预算集中到了少数节点上」。

【极难发现】真正的杀手在这里：RDS（respondent-driven sampling，应答者驱动抽样）把这个偏差逆用成了估计量。思路很漂亮——既然按边采样会让度为 k 的人被抽中的概率 ∝ k，那我就除以 k 加权回去（Salganik–Heckathorn 估计量）。但这一步偷偷假设了「招募概率 ∝ 度」。真实招募里，一个人发出去几张券，取决于他的激励、信任、社交意愿，而不是他的度。测度不是被修正了，是被换成了另一个未知测度。Goel & Salganik（PNAS 2010）用 3 个真值已知的隐藏群体做检验，发现 RDS 估计在多数情形下有实质偏差，而且没有可靠的诊断量能事先告诉你偏了多少。

【流程节点链路】RDS 的推理链，以及它断在哪： 「目标总体 → 按边招募（假设招募概率 ∝ 度）→ 除以度做 size-bias 校正 → 得到总体比例」 断点在第 2 到第 3 个节点之间：校正项 1/k 只在「招募概率严格正比于度」时成立；一旦招募概率 = k × 行为因子，1/k 校正掉的是 k，留下的行为因子无处可去，而它与目标变量 y 相关（爱社交的人既发券多、又更可能报告某行为）。这正好是非响应偏差的同构体：误差住在「被抽中的人和没被抽中的人在 y 上的差」里，不在「抽了多少人」里。

【结论】三条可操作的判断： 1. 看到「平均」先问分母：均匀测度（按节点），还是 size-biased 测度（按边/按时长/按规模）？ 2. 看到「你的 X 比平均 X 大」先问：这是关于谁的陈述？枢纽节点常常反向。 3. 看到「我们做了 size-bias 校正」先问：校正的是哪一个测度？校正项成立的前提是被验证过，还是被假设过？

【值得辩论的问题】如果 ⟨k²⟩/⟨k⟩ 这类测度错配是结构性的，那么「用观测数据估计网络性质」这件事，到底还剩多少是识别（identification），多少是约定（convention）？换句话说：当我们报出一个网络的「平均度」，我们报的是网络的性质，还是我们采样方式的影子？