引导抽样应该类似于从总体中抽样数据的过程。在有限人口的情况下，您从大小为，即案例。在这种情况下使用 bootstrap 有两个问题：（1）如果您使用传统的 bootstrap，您将使用替换而不是不替换进行采样，（2）如果您在没有替换情况下进行采样，那么您最终会得到样本小于。第一种情况是一个坏主意，因为在这种情况下，引导程序与原始采样过程不同。对于在有限人口情况下使用引导程序，您有三种选择：$f$$N$$n = fN$$fn$$n$

1. 没有替换大小为的样本的样本，然后重新调整结果。找到合适的重新缩放因子可能比听起来更复杂，所以这可能不是最好的选择。$fn$
2. 首先样本而不进行替换 ，将它们连接到样本中，然后从样本中抽取样本而不进行替换。这称为镜像匹配引导程序。$N-n$ $n$
3. 首先个替换 样本，然后从样本中抽取替换样本。这称为超人口引导。$N$$n$

要了解有关这些方法的更多信息，您可以查看以下资源：

戴维森，交流和欣克利，DV（2009 年）。引导方法及其应用。纽约，纽约：剑桥大学出版社。

西特，RR (1992)。复杂调查数据的重采样程序。美国统计协会杂志，87（419），755-765。

西特，RR (1992)。比较调查数据的三种引导方法。加拿大统计杂志，20（2），135-154。