Bootstrap检验通过重复抽样和计算统计量来估计抽样分布，评估其统计显著性。步骤包括：从原始数据中随机抽样，带放回。计算统计量，重复多次。创建bootstrapped样本和统计量的抽样分布。计算P值，衡量落在观察统计量或更极端值上的概率。P值越小，统计显著性就越高：P值 < 0.05：统计上显著0.05 ≤ P值 < 0.1：接近显著P值 ≥ 0.1：不显著
Bootstrap检验
Bootstrap检验是一种统计方法，用于评估统计量的抽样分布，从而确定其是否具有统计显著性。以下是Bootstrap检验的步骤：
- 从原始数据集中抽取样本：从原始数据集中随机抽取一个大小为原始数据集的样本，并带放回。也就是说，抽取的元素可以在样本中重复出现。
- 计算统计量：对抽取的样本计算感兴趣的统计量，例如均值、中位数或标准差。
- 重复步骤1和2：多次重复步骤1和2，创建许多样本并计算相应的统计量。这些样本称为bootstrapped样本，而计算的统计量称为bootstrapped统计量。
- 创建抽样分布：将bootstrapped统计量汇集起来，创建抽样分布。抽样分布显示了如果重复抽样和计算统计量多次，统计量将如何变化。
- 计算P值：P值是落在观察到的统计量或更极端的统计量上的概率。P值越小，就会越怀疑观察到的统计量是由随机抽样产生的。
P值解释
P值通常用作统计显著性的度量。根据通常接受的阈值，P值：
- P值 < 0.05：认为统计上显著，表明观察到的统计量不太可能由随机抽样产生。
- 0.05 <= P值 < 0.1：认为接近显著，但不能明确确定统计显著性。
- P值 >= 0.1：认为不显著，表明观察到的统计量可能是由随机抽样产生的。
需要注意的是，Bootstrap检验是一种抽样方法，其结果取决于Bootstrapped样本。因此，Bootstrap检验可能并不总是完全准确的，但它通常可以提供一个良好的统计量抽样分布的估计。
