置换检验与 Bootstrap 都会重新组织已经观察到的数据，但它们重现的概率过程不同。置换检验在零假设下重新安排允许的标签，构造比较观测统计量的参照分布；Bootstrap 则用经验分布近似抽样分布，研究估计量的变化。理解这种差别，需要从交换性与抽样单位出发。
置换为何需要交换性
交换性是指在指定假设下，对相应单位作允许的排列不改变联合分布。只有这些排列仍属于同一个零假设模型，置换后产生的统计量才能充当有效参照。普通组间标签置换通常对应组间分布相同等较强的零假设；均值相同却方差不同时，改变标签可能同时改变分布结构，不能仅由均值相等推出这种交换性。
随机分配实验的随机化检验依据原分配机制确定可能的标签配置。配对资料的变换需保留配对关系，分层设计也需维持层内结构，因为设计允许的分配未必是任意全体排列。配对与分层 说明了不同依赖结构如何改变比较方式。
Bootstrap 如何近似抽样
Bootstrap 把样本形成的经验分布作为原分布的近似，从中重新抽样，再计算同一个统计量。每次重抽产生的波动，试图反映从原总体重复获得整份样本时的波动。方法是否适当因此取决于经验分布能够保留哪些信息，以及重抽过程是否对应原研究的抽样机制。
独立同分布的个体资料可重抽个体，聚类资料应考虑以群组为单位，时间依赖则需专门的重抽样方法。若将相关记录逐行混抽，原有相关性可能被破坏，得到的波动便不再代表研究中的波动。独立信息单位 是连接抽样设计与重抽样方式的依据。
即使重抽单位合适，稀疏类别、参数边界和分离仍可能使常规区间失效。经验分布能够重复已有观测，却无法自行补足样本尚未提供的稀有事件信息。因此，Bootstrap 的模拟次数与原样本的信息量属于不同问题。其方法推导见 重抽样，对统计程序的进一步评价见 仿真。
返回 概念索引。