拔靴法又称Bootstrapping 所谓的拔靴法就是利用有限的样本资料经由多次重复抽样，重新建立起足以代表母体样本分布之新样本。 Bootstrapping 是通过具有估计值特性的样本数据来描述该特性,它不断地从真实数据中进行抽样,以替代先前生成的样本。此法样本数越大越好,对于估计结果的准确性更为有利。与解析方法相比,bootstrapping 的优点在于,它无需对分布特性做严格的假定就能进行推断分析,这是因为它使用的分布就是真实数据的分布。假定样本为y = y1 , y2 , ⋯, yT ,要估计的参数为θ。通过分析bootstrapping 估计的样本,可以得到^θT 的近似统计特性。具体方法是:从y 中重复抽取N 个大小为T 的样本,并用每个新样本重复计算θ^ ,即可得到一系列的θ^ 估计值,同时可分析它们的分布情况。Bootstrapping 并不对^θ抽样分布的形状做出规定,而是通过分析样本内统计量的变化,对抽样分布进行经验估计。从样本内不断生成新的抽样数据,并替代原先的抽样样本,用以计算所研究的检验统计量,实际上这是一种样本内抽样的方法,即将样本看作总体并从中进行抽样。