1. 研究目的与意义（文献综述包含参考文献）

再抽样（resampling）在统计学上一直是重要的对估计样本统计量的精度等问题的重要解决途径，在1979年美国斯坦福大学的统计学家efron^([1])提出bootstrap方法之前，比较常用并且受到认可的再抽样方法是jackknife（又称刀切法），这是由〖maurice quenouille〗^([2])(1949)提出的算法，其基本思想是:当我们需要研究一个估计量的估计值和这个估计量的质量或稳定性的时候，一般在统计上会用偏差、方差等来反映。

若是样本很少，甚至是只有一组时,则仅能计算出一个值,那么就没办法计算这个估计量的方差。

我们在计算偏差的时候也会遇见类似的问题，由于样本极小致使不知道参数真实值,从而无法计算偏差。

2. 研究的基本内容、问题解决措施及方案

第一步：根据efron等学者提出bootstrap算法的文献对此算法有个系统的了解，并研究整理关于 bootstrap在标准误差的估计、各种复杂数据结构、回归分析、偏差估计、与jackknife 的对比、区间估计、置换检验、交叉验证等方面详细理论和应用。

第二步:具体列举及分析常见的bootstrap方法及bootstrap方法在统计推理方面的应用及算法设计。

第三步:基于大量文献的研究和比对，分析bootstrap方法在不同领域的运用方法及优势所在。