爱华网Bootstrap方法根据给定的原始样本复制观测信息对总体的分布特性进行统计推断，不需要额外的信息，Efron（1979）认为该方法也属于非参数统计方法。Bootstrap方法从观察数据出发，不需任何分布假定，针对统计学中的参数估计及假设检验问题，利用Bootstrap方法产生的自举样本计算的某统计量的数据集可以用来反映该统计量的抽样分布，即产生经验分布，这样，即使我们对总体分布不确定，也可以近似估计出该统计量及其置信区间，由此分布可得到不同置信水平相应的分位数——即为通常所谓的临界值，可进一步用于假设测验。因而，Bootstrap方法能够解决许多传统统计分析方法不能解决的问题。在Bootstrap的实现过程中，计算机的地位不容忽视(Diaconis etal.,1983)，因为Bootstrap涉及到大量的模拟计算。可以说如果没有计算机，Bootstrap理论只可能是一纸空谈。随着计算机的快速发展，计算速度的提高，计算费时大大降低。在数据的分布假设太牵强或者解析式太难推导时，Bootstrap为我们提供了解决问题的另一种有效的思路。因此，该方法在生物科学研究中有一定的利用价值和实际意义(谢益辉等, 2008;敖雁等, 2006)。
值得说明的是Bootstrap的应用在很大程度上取决于经验分布的选取和样本数的大小(Roff,2006)。而且Bootstrap是在原始样本及其经验分布的基础上作有放回的再抽样，其结果是针对现有资料做出统计推断，所得结论不具一般性。只能靠大量复制样本从而优化经验分布，得到较准确的检验及推理结果，在利用Bootstrap方法进行区间估计和假设测验时，需要确定合适的抽样次数，即抽样次数m的取值不能太小，一般要求在500次以上(张勤,2007)。应该指出Bootstrap方法并不是在一切场合下都适用的，当样本量小不足以提供总体分布信息时更是如此( Beran, 1982; Hardleet al., 1991)，作为一种新统计方法，Bootstrap方法尚在发展中，许多问题有待于进一步研究和解决(陈红等, 1997;谢益辉等, 2008)。
