如果引导程序和置信区间的形成正确执行，则意味着与任何其他置信区间相同。从频率论者的角度来看，95% CI 意味着如果整个研究无限重复，则以这种方式形成的 95% 的置信区间将包括真实值。当然，在您的研究或任何给定的个人研究中，置信区间要么包含真实值，要么不包含真实值，但您不知道是哪个。为了进一步理解这些想法，它可能会帮助您在这里阅读我的答案：为什么 95% 置信区间 (CI) 并不意味着 95% 的机会包含平均值？

关于您的进一步问题，“真实值”是指相关人群的实际参数。（样本没有参数，它们有统计量；例如，样本均值是样本统计量，但总体均值是总体参数。）至于我们如何知道这一点，在实践中我们没有。你是对的，我们依赖于一些假设——我们一直都是。如果这些假设是正确的，则可以证明这些属性成立。这就是 Efron 在 1970 年代末和 1980 年代初的工作重点，但大多数人很难理解数学。有关引导程序的某种数学解释，请参阅@StasK 在此处的回答：向外行解释引导程序的工作原理$\bar x$$\mu$. 对于缺少数学的快速演示，请考虑使用以下模拟R：

# a function to perform bootstrapping
boot.mean.sampling.distribution = function(raw.data, B=1000){
  # this function will take 1,000 (by default) bootsamples calculate the mean of 
  # each one, store it, & return the bootstrapped sampling distribution of the mean

  boot.dist = vector(length=B)     # this will store the means
  N         = length(raw.data)     # this is the N from your data
  for(i in 1:B){
    boot.sample  = sample(x=raw.data, size=N, replace=TRUE)
    boot.dist[i] = mean(boot.sample)
  }
  boot.dist = sort(boot.dist)
  return(boot.dist)
}

# simulate bootstrapped CI from a population w/ true mean = 0 on each pass through
# the loop, we will get a sample of data from the population, get the bootstrapped 
# sampling distribution of the mean, & see if the population mean is included in the
# 95% confidence interval implied by that sampling distribution

set.seed(00)                       # this makes the simulation reproducible
includes = vector(length=1000)     # this will store our results
for(i in 1:1000){
  sim.data    = rnorm(100, mean=0, sd=1)
  boot.dist   = boot.mean.sampling.distribution(raw.data=sim.data)
  includes[i] = boot.dist[25]<0 & 0<boot.dist[976]
}
mean(includes)     # this tells us the % of CIs that included the true mean
[1] 0.952

您所说的是，无需从自举重采样中找到置信区间。如果您对从自举重采样中获得的统计数据（样本均值或样本比例）感到满意，请不要找到任何置信区间，因此没有解释问题。但是，如果您对从自举重采样获得的统计量不满意或满意但仍想找到置信区间，则对此类置信区间的解释与任何其他置信区间相同。这是因为当您的自举重采样完全代表（或假设是）原始人口时，那么哪里需要置信区间呢？自举重采样的统计数据是原始总体参数本身，但是当您不将统计数据视为原始总体参数时，则需要找到置信区间。所以，这完全取决于你如何考虑。假设您从自举重采样中计算出 95% 的置信区间。现在的解释是：“在 95% 的情况下，这种引导方法准确地产生了包含真实总体参数的置信区间”。

（这是我的想法，如有错误请指正）。

我们指的是原始种群的真实​​参数。假设数据是从原始总体中随机抽取的，则可以这样做——在这种情况下，有数学论据表明引导程序将给出有效的置信区间，至少当数据集的大小变得足够大时.