正如@Tim 所指出的，您的引导样本应该与原始数据 $n_j$

接下来，认识到有几种引导方法：例如，您可以直接引导数据或引导测试统计量，可以引导抽样分布或空分布等。您需要确保您了解自己的类型正在做。如果你愿意，你可以简单地引导平均差。在链接的帖子中，我引导了测试统计量的零分布。这本质上就是您在代码中所做的。

此外，由于测试方式可能不同，引导策略可能需要针对您要执行的测试进行定制。在链接的帖子中，我引导了一个统计量，但测试的工作方式有些不同。由于您正在引导测试统计信息，因此您可以放心。 $F$$F$$t$

在您的情况下，请考虑您使用的引导类型的逻辑。您为统计量引导了一个空抽样分布。您观察到的统计量非常极端，以至于没有任何自举与其重叠。这意味着从自举的空采样分布中获得远离或远离值）。换句话说，您的结果非常重要。重新执行引导程序。） $t$$t$$t$$p$$t$$0$$< (1/10000) / 2$$n_j$

首先，使用引导程序，您可以个案例。所以要选择的观察次数很简单。$N$$N$

而且，是的，你可以这样做：

f <- function() {
   A <- sample(group_A, 377, replace=T) 
   B <- sample(group_B, 377, replace=T)
   mean(A)-mean(B)
}
replicate(1000, f())

但这是与使用t检验不同的方法，因为它会为您提供这两种方法之间可能差异范围的信息。您可以以类似的方式使用此范围，因为您可以使用箱线图（非正式）分析平均值之间的差异。然而，对于假设检验，最好使用经典的引导程序，在每次迭代中计算t检验并输出t统计量。原因是t检验不仅计算均值之间的差异，而且还考虑了两组的方差。

为了更深入地了解引导程序，我向您推荐Efron 1979 年的经典论文和他非常易读的书。

还有一件事：如果您不假设方差相等，您可能需要考虑 Welch 的 t 检验（http://beheco.oxfordjournals.org/content/17/4/688.full）

我会以总样本量为条件，而不是固定组大小。当然，如果您的小组人数是事先固定的，那么就以这些为条件，我的回答是针对他们不是的情况。

我构建了一个两列矩阵，第一列表示组成员资格，第二列表示两个组的观察值堆叠在彼此下方。然后我引导矩阵的行并计算观察到的组间均值差异。最后，我使用自举差来计算近似 p 值，以检验均值零差。

pvalfunc <- function(sims,target=0) { 2*min(mean(sims<target),mean(sims>target)) }

boot.2sdif.test <- function(s1,s2, nboot=9999) {
  n1 <- length(s1); n2 <- length(s2); n <- n1+n2
  X <- cbind(rep(c(1,2), c(n1,n2)), c(s1,s2))
  d <- rep(0,nboot)
  for (i in 1:nboot) {
    b <- X[sample.int(n, n, T),]
    d[i] <- mean(b[b[,1]==1, 2]) - mean(b[b[,1]==2, 2])
  }
  return(pvalfunc(d))

(pvalue <- boot.2sdif.test(group_k, group_m))