我认为您可以对每个引导估计使用稳健的协方差估计器，它会起作用。这不是特定于您的应用程序。

有很多不同的方法可以拥有一个稳健的协方差估计器。正如您所说，您无法避免“人为地减少方差”，因为“狂野”估计是您想要修剪的方差过大的结果，但您必须选择一个修剪异常值方差但不修剪方差的估计器的内线。

在稳健的协方差估计器中，可以使用最小协方差行列式，但该估计器假设数据的椭圆密度模型。相反，我更喜欢使用 M 估计器。例如，在 R 中，您可以找到此类估计器rrcov或在健壮的包中，或者您可以自己编写代码。然后，您总是需要调整一个参数（例如，您说您忽略了 5% 的“更狂野”或类似的数据）。

如果您想要更准确的答案，也许您可​​以举一个模拟或真实数据集的示例，您所说的会发生在其中。