单样本自助法 (Bootstrap)
单样本自助法(Bootstrap 1-Sample)通过成千上万次有放回抽取的同样大小的重抽样,估计某统计量的抽样分布。适用于数据非正态、样本量小或统计量没有简单公式的情形。可选择均值、中位数、总和、方差或标准差,至少 1,000 次重抽样(最好 5,000 至 10,000 次),以及 BCa、百分位数或基本区间法。输出为该统计量及其置信区间。
最后审阅
核心要点
单样本自助法通过对原始数据反复有放回地重抽样,为均值、中位数或标准差等统计量构建置信区间,无需假定数据分布。
本页内容
什么是单样本自助法 (Bootstrap)?
单样本自助法(Bootstrap 1-Sample)是一种重抽样技术,通过对原始数据集反复有放回地随机抽样,估计某个统计量(如均值、中位数或标准差)的抽样分布。每个重抽样数据集的大小与原始数据集相同,并对每次重抽样重新计算所关注的统计量,从而得到该统计量在成千上万次迭代中的分布。
自助法的主要优势在于,它不对数据的潜在分布做任何假设。因此,当不能假定正态性、参数检验不适用时,它是一种有力的替代方法。
简单定义:一种通过对自己的数据反复重抽样成千上万次,来估计所计算统计量(如均值)可靠程度的技术,无需对数据分布做任何假设。
何时使用单样本自助法 (Bootstrap)?
- 当 数据不满足正态性假设,且参数置信区间可能无效时使用。
- 当 样本量较小,基于正态近似的传统方法不可靠时使用。
- 在估计 没有简单解析公式的统计量(如中位数、截尾均值或两个量的比值)的置信区间时使用。
- 用于 验证参数检验的结果:将自助法置信区间与传统方法计算的区间进行比较。
正确使用单样本自助法 (Bootstrap) 的指南
- 使用 足够多的自助法重抽样次数 ——至少 1,000 次,最好 5,000 至 10,000 次迭代,以确保自助法分布稳定可靠。
- 当 原始样本能代表总体 时,自助法效果最佳——有偏或缺乏代表性的样本会产生有偏的自助法估计。
- 不要把自助法当作 收集足够数据 的替代手段——它无法弥补设计不佳的研究或不足的样本量。
- 由于 随机重抽样,各次运行的结果可能略有不同——报告结果时,设置随机种子可确保可重现。
替代方法:何时不宜使用单样本自助法 (Bootstrap)
- 如果数据 服从正态分布且样本量足够,请改用标准参数方法,如 单样本 t 检验 ——它们的效率更高。
- 如果需要 比较两组,请使用 双样本 t 检验或 Mann-Whitney 检验
- 如果主要关注 分布拟合而非区间估计,请使用 单值分布识别
单样本自助法 (Bootstrap) 示例
一家制药公司的化学师希望确定一种新研制抗酸药的反应时间。检验步骤如下:
- 收集所需数据。

- 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
- 要找到单样本自助法 (Bootstrap),请选择 Statistical module> Hypothesis Test> Bootstrap 1-Sample。
- 在工具中,输入数据及其他参数如下:

5. 使用上述工具后,得到的输出如下:



如何进行单样本自助法 (Bootstrap)
操作步骤如下:
- 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
- 在首页选择 Statistical Tool> Hypothesis Test >Bootstrap 1-Sample。
- 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
- 填写所需选项。
- 最后,点击页面底部的 calculate,即可得到所需结果。
在单样本自助法 (Bootstrap) 的工具界面中,窗口分为两部分。

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可手动输入数据,也可从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
Load example: 将加载示例数据。
Load File: 用于直接加载 Excel 数据。
右侧提供以下选项:
- Sample: 选择包含要分析的 原始数据 的列。这是反复有放回抽取自助法重抽样的原始数据集。该列的质量和代表性直接决定自助法估计的可靠性——有偏或缺乏代表性的样本会产生有偏的自助法结果。此字段为必填项。
- Statistic: 选择要估计并围绕其构建置信区间的统计量。提供五个选项:
- Mean ——估计总体的平均值并围绕其构建置信区间。这是一般过程分析中最常用的选项。
- Median ——估计总体的中间值。当数据偏斜或含有异常值时,比均值更合适,因为中位数对极端值不太敏感。
- Sum ——估计总体中所有值的总和。当累计总量是实际关注的量时很有用。
- Variance ——估计总体的离散程度,以标准差的平方表示。当主要目的是了解总变异时很有用。
- Standard Deviation ——估计单个值围绕均值的典型离散程度。由于以原始测量单位表示,比方差更易于解释。
- Number of Resamples: 输入工具对数据进行有放回随机重抽样以构建自助法分布的次数。此字段为必填项。基础分析建议至少 1,000 次重抽样,而要得到更精确、更稳定的置信区间估计,则优先选择 5,000 至 10,000 次。重抽样次数越多,结果越平滑、越可靠,但所需的计算时间略长。
- Confidence Level: 设定自助法置信区间的置信水平。标准默认值为 95%,即有 95% 的把握认为总体统计量的真值落在计算出的区间内。提高到 99% 会得到更宽、把握更大的区间;降低到 90% 则得到更窄、把握较小的区间。
- Type of Interval: 定义置信区间的形状和方向。提供三个选项:
- Two-Sided ——同时给出下界和上界,形成围绕统计量的完整区间。当关注真值在任一方向上可能偏离多远时使用——这是大多数分析的标准默认值。
- Lower Bound ——只给出下界,用于检验真实统计量是否高于某个值。仅在最小阈值重要时使用,例如确认过程均值至少为某一指定值。
- Upper Bound ——只给出上界,用于检验真实统计量是否低于某个值。仅在最大阈值重要时使用,例如确认变异不超过可接受水平。
- Method: 定义根据重抽样分布计算自助法置信区间所用的数学方法。提供三个选项:
- Bias-Corrected-Accelerated (BCa) ——大多数情况下最准确、也是推荐的方法。它会自动针对偏倚(自助法估计中的系统误差)和自助法分布的偏度进行调整,尤其在统计量的分布不对称时,能得到最可靠的置信区间。
- Percentile ——直接使用自助法分布的百分位数来设定区间边界。简单直观,但不校正偏倚或偏度——适用于自助法分布近似对称且无偏的情形。
- Basic ——也称反射百分位数法,它将百分位数边界反转,以简单方式校正偏倚。当自助法分布呈现轻度不对称时,比普通百分位数法更可靠。
- Download as Excel: 将自助法结果,包括观测统计量及其自助法置信区间,导出为 Excel 文件,便于撰写报告、与同事共享或保留分析的正式记录。
常见问题
什么是单样本自助法?
单样本自助法通过对原始数据反复有放回地随机抽样,估计某个统计量(如均值、中位数或标准差)的抽样分布。每次重抽样的大小与原始数据相同,并对每次重抽样重新计算该统计量,得到的分布用于构建置信区间,而无需假定数据分布。
何时应使用自助法而不是 t 检验?
当数据不满足正态性假设、样本量小且正态近似不可靠,或需要为没有简单公式的统计量(如中位数)构建区间时,使用自助法。如果数据服从正态分布且样本量足够,则单样本 t 检验的效率更高。
需要多少次自助法重抽样?
基础分析至少使用 1,000 次重抽样,若要得到稳定、精确的置信区间,最好使用 5,000 至 10,000 次。重抽样次数越多,结果越平滑,但耗时略长。由于随机重抽样,各次运行的结果可能略有不同,因此设置随机种子可使所报告的结果可重现。
应选择哪种自助法置信区间方法?
大多数情况下推荐使用 Bias-Corrected-Accelerated (BCa),因为它能针对自助法分布中的偏倚和偏度进行调整。Percentile 方法直接使用分布的百分位数,适用于大致对称且无偏的情形。Basic(即反射百分位数)方法以简单方式校正偏倚,处理轻度不对称的效果优于普通百分位数法。
