欢迎来到简历！

在 bootstrapping 中，您反复从原始样本中抽取样本并进行替换。这背后的一般想法是，如果您可以通过提出以下问题来估计样本中的不确定性：如果我没有观察到这个或那个观察结果，或者我不止一次观察到这个观察结果怎么办？

你这样做，比方说，次，最终得到稍微不同的对你感兴趣的统计量的估计。根据计算的统计数据受此影响的程度，您的自举统计数据的方差会更大。$B = 1,000$$1,000$

事实上，事实证明，自举统计量的标准差可以很好地估计统计量的标准误差。

因此，通过简单地对原始样本进行简单的随机重采样，一遍又一遍，我们已经了解了估计的精确度，因为我们只有一个总体样本。

当然，如果您可以测量整个人口，那么自举就没有意义。

我知道自举是一种用于估计人口统计数据的技术。

这是一种主要使用的技术

• 估计总体参数的估计量的标准误差和/或$\theta$

• 导出$\theta$

在这些数字太难以通过数理统计得出的情况下。

在 bootstrapping 中，我们选取​​许多选定大小的样本，估计统计数据并获得这些统计数据的平均值。这个平均值代表了整个人口。

它确实是一种重采样技术，通过替换$n$$n$观察。关键的说法是，这种重新抽样的引导样本对原始样本的影响，就像原始样本对总体的影响一样。通常感兴趣的不是自举统计的平均值，而是它允许找到置信区间的变化。

我的疑问是，为什么首先要取样。如果您有整个人口，请计算您获得 100% 准确统计数据的整体统计数据？

通常，我们无法接触到所有人口。但如果我们有，确实通常不需要做任何推论统计（包括引导）。