是的。你说的对。但是当假设成立时，参数引导程序会屏蔽更好的结果。这样想：

我们有一个来自分布。我们估计感兴趣的参数作为样本的函数。这个估计是一个随机变量，所以它有一个我们称之为的分布。这种分布完全由和决定， 意思是。在进行任何类型的引导（参数、非参数、重新采样）时，我们所做的是用以获得的估计，。从$X_1, \ldots, X_n$$F$$\theta$$\hat{\theta} = h (X_1, \ldots, X_n)$$G$$h$$F$$G=G(h,F)$$F$$\hat{F}$$G$$\hat G = G(h,\hat{F})$$\hat G$我们估计的性质。不同类型的引导程序的变化是我们如何得到。$\hat \theta$$\hat{F}$

如果你可以解析计算你应该去，但一般来说，这是一件相当困难的事情。bootstrap 的神奇之处在于我们可以生成分布为的样本。为此，我们生成 具有分布并计算 )分布。$\hat{G} = G(h,\hat{F})$$\hat G$$X^b_1, \ldots, X^b_n$$\hat F$$\hat {\theta}^b = h(X^b_1, \ldots, X^b_n)$$\hat G$

这样一想，参数引导的优势就很明显了。将是 F 的更好近似然后将更接近的属性的估计会更好。$\hat{F}$$F$$\hat{G}$$G$$\hat{\theta}$