1. 一个具体问题
一份样本的中位数很容易算，但它有多稳定却不容易直接套公式。重新收集几百份数据成本很高，能否利用现有样本模拟“如果重新抽样，统计量会怎样变化”？自助抽样提供了一条计算路线，但不会凭空创造原样本没有的信息。
2. 一句话解释
自助抽样从已有样本中有放回地重抽样，利用统计量的重复变化近似估计不确定性。
3. 出处与原意
Bradley Efron 在 1979 年的论文《Bootstrap Methods: Another Look at the Jackknife》中系统提出这一方法。它与更早的删一法有关，但并非同一种重抽样方式。后来发展出参数、自适应区间、分块等多种版本，适用条件各有不同。
4. 原理与机制
最基本的非参数版本把观测样本当作经验分布：原样本有 n 条，每轮有放回抽 n 条，计算目标统计量，重复很多轮，再估计标准误或构造区间。次数增加只能减少重抽样的数值误差。百分位区间易理解，但偏差、偏斜或特殊统计量可能需要更合适的方法。
重抽样时应抽取完整观测单元。如果每位用户同时有消费额与停留时长，应把这一对数值一起抽走，否则会破坏关联结构。比较两组时，要根据原始设计保留配对或分组关系。计算速度再快，也不能替代对“哪些记录可以互换”的判断。
5. 一个完整案例
假设案例：五个任务时长为 2、3、3、5、7 天，原均值为 4 天。一轮重抽样可能得到 2、2、3、5、7，均值为 3.8；另一轮可能为 3、5、5、7、7，均值为 5.4。大量重复后，可观察均值对样本组成的敏感程度。五个样本仍然太少，尤其无法代表从未观察到的极慢任务，因此这个演示只说明操作步骤，不能据此声称交付风险已被充分估计。
6. 适用条件与反例
常用于难以解析计算的统计量，但不适用于任何数据。时间序列应保留依赖结构，直接打散每日数据会低估不确定性；用户内多条记录也不能总当独立样本。估计分布上界、极端尾部，或样本严重偏斜缺失时，普通 bootstrap 可能失效。它不能补救选择偏差。
7. 今天可以尝试的行动
用一份可重复的数据集分别计算解析标准误与 bootstrap 标准误，先确认简单情形下两者大体一致。再记录重抽样单位、次数、随机种子和区间方法，使其他人能够复现。