一篇被广泛引用的论文“机器翻译评估的统计显着性测试”建议使用 Bootstrap 来评估机器翻译跨系统差异的显着性（对于我的问题而言，该领域并不重要）。

作者描述了他们的 Bootstrap 假设检验方法如下：

给定一小部分翻译的句子，我们通过从集合中绘制带有替换的句子来重复（比如 1000 次）创建新的虚拟测试集。对于每一组，我们计算两个系统的评估指标分数。我们注意到，哪个系统性能更好。例如，如果一个系统在 95% 的时间里优于另一个系统，我们得出的结论是，它在 95% 的统计显着性上更好。我们将此方法称为配对引导重采样，因为我们比较了一对系统。

据我所知，基于 bootstrap 的统计测试（就像任何统计测试一样）首先指定零假设（例如，两个系统表现出相同的性能），然后根据该零假设抽取样本。然后我们可以测量，在这个零假设下，两个比较系统之间的差异有多不可能。

在引用的论文中，没有明确说明零假设，而且绝对不是系统表现相同。而是找到每个系统性能的置信区间，然后查看它们的交集。

我的问题是：这种方法有什么正确的理由吗？