Efron（1979）认为该方法也属于非参数统计方法。（推荐学习：Bootstrap视频教程）
Bootstrap方法从观察数据出发，不需任何分布假定，针对统计学中的参数估计及假设检验问题，利用Bootstrap方法产生的自举样本计算的某统计量的数据集可以用来反映该统计量的抽样分布，即产生经验分布，这样，即使我们对总体分布不确定，也可以近似估计出该统计量及其置信区间，由此分布可得到不同置信水平相应的分位数——即为通常所谓的临界值，可进一步用于假设测验。
因而，Bootstrap方法能够解决许多传统统计分析方法不能解决的问题。
在Bootstrap的实现过程中，计算机的地位不容忽视(Diaconis et al.,1983)，因为Bootstrap涉及到大量的模拟计算。
可以说如果没有计算机，Bootstrap理论只可能是一纸空谈。随着计算机的快速发展，计算速度的提高，计算费时大大降低。
在数据的分布假设太牵强或者解析式太难推导时，Bootstrap为我们提供了解决问题的另一种有效的思路。因此，该方法在生物科学研究中有一定的利用价值和实际意义。
应用bootstrap的原因：
其实，在进行分析的时候，首先要做的就是，判断随机变量的类型，然后就是判断随机变量的数据服从什么分布。
什么分布至关重要，因为它直接决定能不能分析。举例：如果进行方差分析，首先就要求正态分布，如果不是正态分布，就要有补救措施，这个补救措施就是bootstrap。
bootstrap还有一个用处，因为经典统计学对集中趋势比较完善，但是对其他一些分布参数，例如中位数，四分位数，标准差，变异系数等的区间估计不完善，所以就需要bootstrap,这种方法。
bootstrap和经典统计学方法类似，一般情况参数法效率高于非参数法，但是，参数法最大的弊端就是需要事先有一个分布模型，如果模型不符合，分析结果可能错误，也就是白分析。
更多Bootstrap相关技术文章，请访问Bootstrap教程栏目进行学习！
下载本文