Bootstrap和刀切法（jackknife）授课讲义.pptxVIP

Bootstrap和刀切法（Jackknife）经典授课讲义重采样技术的核心原理、实现方法与统计推断应用

Contents课程目录Bootstrap和刀切法（Jackknife）经典授课讲义01重采样技术概述与背景02Jackknife刀切法原理与实现03Bootstrap自助法核心机制04两种方法的系统性对比05高级主题：偏差校正与置信区间06实践案例与代码演示

Chapter01重采样技术概述与背景从传统统计推断的困境到计算驱动的新范式

Motivation为什么需要重采样技术？传统统计推断依赖总体分布假设和大样本理论，但在小样本（n30）和分布未知场景下往往失效。重采样技术通过反复利用单个样本数据来估计统计量的抽样分布，无需分布假设，开辟了计算驱动的统计推断新范式。01小样本困境当样本量不足30时，中心极限定理的渐近近似不成立，传统置信区间和假设检验的覆盖率严重偏离名义水平。n3002分布未知挑战实际数据常呈现偏态、厚尾或多峰特征，强行套用正态假设会导致标准误估计偏差高达50%以上。偏差50%03复杂统计量难题中位数、分位数、相关系数等非线形统计量的理论标准误推导极其困难，甚至不存在闭合解。无闭合解04重采样核心思想将单个样本视为总体的近似，通过系统性地重复抽取子样本来模拟统计量的抽样变异性，用计算力替代解析推导。计算驱动

HISTORY重采样方法的历史脉络重