Bootstrap方法在小样本统计推断中的可靠性.docxVIP

Bootstrap方法在小样本统计推断中的可靠性

一、引言

在医学、社会学、经济学等众多研究领域中，小样本统计推断是普遍面临的现实难题。例如，罕见病临床试验因患者数量稀缺，样本量往往难以扩大；针对小众文化群体的社会学调查，受限于群体规模和调查成本，样本量通常较小；微观经济研究中，稀缺行业的企业数据获取难度大，也常依赖小样本开展分析。传统统计推断方法多依赖总体服从正态分布的假设，或需样本量满足中心极限定理的要求，在小样本场景下，这些前提条件难以满足，导致参数估计偏差大、假设检验功效低，推断结果的可靠性无法保障（吴喜之，2009）。

Bootstrap方法作为一种基于重抽样思想的统计技术，由Efron于1979年首次提出，其核心优势在于无需预设总体分布类型，仅依靠观测样本数据构建经验分布，通过重复重抽样模拟总体分布特征，进而实现参数估计与假设检验（Efron，1979）。这一特性为小样本统计推断提供了新的解决方案，但其在小样本中的可靠性究竟如何，受到哪些因素影响，与传统方法相比有何优劣，成为统计学界和应用领域共同关注的核心问题。本文将围绕这些问题展开系统论述，深入剖析Bootstrap方法在小样本统计推断中的可靠性表现及应用边界。

二、Bootstrap方法的核心原理与小样本统计推断的固有局限

（一）Bootstrap方法的核心要义

Bootstrap方法的核心逻辑是“用样本推断样本”