bootstrap方法什么意思?bootstrap方法即自助法。在统计学中，自助法(Bootstrap Method，Bootstrapping，或自助抽样法)是一种从给定训练集中有放回的均匀抽样，也就是说，每当选中一个样本，它等可能地被再次选中并被再次添加到训练集中。
自助法由Bradley Efron于1979年在《Annals of Statistics》上发表。当样本来自总体，能以正态分布来描述，其抽样分布为正态分布;但当样本来自的总体无法以正态分布来描述，则以渐进分析法、自助法等来分析。采用随机可置换抽样(random sampling with replacement)。对于小数据集，自助法效果很好。
632自助法
最常用的一种是.632自助法，假设给定的数据集包含d个样本。该数据集有放回地抽样d次，产生d个样本的训练集。这样原数据样本中的某些样本很可能在该样本集中出现多次。没有进入该训练集的样本最终形成检验集(测试集)。
显然每个样本被选中的概率是1/d，因此未被选中的概率就是(1-1/d)，这样一个样本在训练集中没出现的概率就是d次都未被选中的概率，即(1-1/d)d。当d趋于无穷大时，这一概率就将趋近于e-1=0.368，所以留在训练集中的样本大概就占原来数据集的63.2%。
bootstrap算法是什么意思
Bootstrap是非参数统计中一种重要的估计统计量变异性，并可进行统计量区间估计的统计方法，也称为自助法。
其核心思想和基本步骤如下：
(1) 采用重复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，此过程允许重复抽样。
(2) 根据抽出的样本计算待估计的统计量T。
(3) 重复上述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，其应用范围得到进一步延伸。
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。
进行重复抽样，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。
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，并且采用完全随机抽样，所以，如果要求分层抽样，不能依靠默认，需要自己设置。
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，计算结果不准确，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”～选择好自变量和因变量～“选项”子对话框～“单元格统计量”～bootstrap子对话框～执行bootstrap复选框
还有一点，如果因变量符合或者大概符合正态分布，bootstrap方法就可以不用。