其核心思想和基本步骤如下

（1） 採用重複抽样技术从原始样本中抽取一定数量（可自己给定，一般与原始样本相同）的样本，此过程允许重複抽样。

（2） 根据抽出的样本计算待估计的统计量T。

（3） 重複上述N次（一般大于1000），得到N个统计量T。

（4） 计算上述N个统计量T的样本方差，以此估计统计量T的方差。

应该说Bootstrap是现代统计学较为流行的一种统计方法，在小样本时效果很好。通过方差的估计可以构造置信区间等，其套用範围得到进一步延伸。

具体抽样方法举例想要知道池塘里面鱼的数量，可以先抽取N条鱼，做上记号，放回池塘。

进行重複抽样，抽取M次，每次抽取N条，考察每次抽到的鱼当中有记号的比例，综合M次的比例，在进行统计量的计算。

套用bootstrap的原因其实，在进行分析的时候，要做的就是，判断随机变数的类型，然后就是判断随机变数的数据服从什幺分布。什幺分布至关重要，因为它直接决定能不能分析。举例如果进行方差分析，就要求常态分配，如果不是常态分配，就要有补救措施，这个补救措施就是bootstrap。bootstrap还有一个用处，因为经典统计学对集中趋势比较完善，对其他一些分布参数，例如中位数，四分位数，标準差，变异係数等的区间估计不完善，所以就需要bootstrap,这种方法。bootstrap和经典统计学方法类似，一般情况参数法效率高于非参数法，，参数法最大的弊端就是需要事先有一个分布模型，如果模型不符合，分析结果可能错误，也就是白分析。

如果数据存在明显的层次，可以用分层抽样提高分析效率，spss默认是非参数bootstrap方法，并且採用完全随机抽样，所以，如果要求分层抽样，不能依靠默认，需要自己设定。

还有特别需要注意，需要多少个观测量才是最科学，最合理的，答案是1000个。少于这个数字，计算结果不準确，因为是按照百分位数法计算可信区间，所以，不能太少。如果多于1000个，多数情况下精度改善非常有限，并且浪费系统资源和计算时间。

bootstrap的spss分析中的操作步骤“分析”～“比较均值”～“均值”～选择好自变数和因变数～“选项”子对话框～“单元格统计量”～bootstrap子对话框～执行bootstrap複选框

还有一点，如果因变数符合或者大概符合常态分配，bootstrap方法就可以不用。