crosstabs.
打开导航
打开分析工作区

SPSS 命令: SPSS BOOTSTRAP

在浏览器中计算 Bootstrap 置信区间

Bootstrap（自助法）对个案进行多次有放回重抽样，根据统计量在各重抽样样本之间的变化估计其偏差、标准误和置信区间。

用示例数据试一试用自己的文件运行

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

能告诉你什么

Crosstabs 在你的设备上按 SPSS BOOTSTRAP 的方法计算描述统计、Pearson 相关和线性回归系数，提供百分位或 BCa 区间、可选分层，以及可复现的随机种子。

  • 为没有简单公式的统计量（例如中位数或标准差）给出标准误和区间。
  • 在不假设误差正态的情况下，相关系数或回归系数是否明显不为零。
  • Bootstrap 偏差：重抽样统计量的平均值与原始估计值相差多少。
  • 对于偏态统计量，非对称的 BCa 区间与简单百分位区间有多大差别。

适用场景

适合使用

  • 消费金额或时长等偏态数据，基于正态理论的均值区间值得怀疑。
  • 中位数和标准差，其抽样分布没有方便的闭式解。
  • 检查回归或相关结果是否依赖于正态性或方差齐性假设。

改用其他方法

  • 样本很小（例如少于 20 个个案）：重抽样只能重新组合仅有的少数值，区间会偏窄。
  • 带抽样权重、分层和整群的调查数据：个案重抽样忽略了抽样设计，因此被阻止；请使用复杂抽样。
  • 时间序列或其他相关观测：逐个案重抽样会破坏观测之间的相关结构。

在 Crosstabs 中如何操作

  1. 01

    打开数据

    在工作区打开 .sav、CSV 或 Excel 文件并切换到“统计”模式。

  2. 02

    选择要进行 Bootstrap 的统计量

    在“实用工具与图表”组中选择“Bootstrap 抽样”，然后在“要进行 Bootstrap 的统计量”中选择：描述统计（平均值、中位数、标准差）、Pearson 相关或线性回归系数。

  3. 03

    选择变量

    勾选“变量”（相关分析至少两个）及要计算的统计量；回归分析则选择“因变量”并勾选“预测变量”。

  4. 04

    设置重抽样

    “样本数”（默认 1000）、“置信水平（%）”（默认 95）、“置信区间”（百分位或偏差校正加速 BCa）、“抽样”（简单或选择分层变量）和“随机种子”。

  5. 05

    运行

    将启用的权重声明为频数权重（抽样权重会阻止运行），然后点击“运行”；重抽样在后台线程中进行。

在浏览器中运行 Bootstrap（自助法）

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

用示例数据试一试

数据

30 个模拟网购订单金额（货币单位），由固定种子从右偏的对数正态分布生成。Bootstrap 使用 1,000 个简单重抽样样本（SPSS 默认值）和种子 20261017。

描述统计的 Bootstrap
统计N统计偏差标准误95% 置信区间下限（百分位）95% 置信区间上限（百分位）95% 置信区间（BCa）
平均值3039.210.2104.59931.3449.5332.06 to 50.67
中位数3031.661.2934.35225.2443.0022.67 to 42.90
标准差3024.88−0.7164.73414.4632.9316.98 to 36.04

基于 1000 个简单 Bootstrap 样本（种子 20261017）。两种区间使用相同的重抽样样本，因此偏差和标准误相同。

结果解读

订单金额的平均值为 39.21，Bootstrap 标准误为 4.60；校正了偏差和偏度的 95% BCa 区间（示例运行的就是这一种）为 32.06 至 50.67，普通百分位区间（SPSS 默认）则为 31.34 至 49.53。中位数（31.66）没有简单的教科书标准误公式，这正是 Bootstrap 的用武之地：其 BCa 区间为 22.67 至 42.90。

输出表格说明

描述统计的 Bootstrap
每个变量和统计量的 N、统计量值、Bootstrap 偏差、标准误以及置信区间上下限。
相关性的 Bootstrap
每对变量的 r 及其偏差、标准误和区间；摘要说明区间是否包含 0。
系数的 Bootstrap
常量和每个预测变量的 B，以及 Bootstrap 偏差、标准误和区间；缺失值按成列方式排除。

前提假设与注意事项

  • 个案相互独立且样本能代表总体；Bootstrap 无法修正有偏样本。
  • 百分位上下限按 SPSS 的方式取 (B + 1) 次序统计量；若端点超出 Bootstrap 分布范围，则显示极值并加脚注说明。
  • 使用频数权重时，重抽样中每个个案代表相应数量的个案；分层抽样保持各层规模不变。
  • 相同种子在这里会重现相同的重抽样；SPSS 的随机数流不同，因此数值不会与 SPSS 逐次相同。

结果如何验证

独立参考实现生成参考值时使用同一带种子生成器的 Python 移植版，因此重抽样索引完全相同。在 1,000 次重抽样上，偏差和标准误与 SPSS 规则（(B + 1) 次序统计量、刀切法加速常数）的独立实现一致到 1e-9，百分位与 BCa 上下限一致到 1e-10；输入相同重抽样的 scipy.stats.bootstrap 一致到 1e-9。回归系数、分层重抽样和频数权重（对照展开数据）也都经过测试。 验证证据（英文）

常见问题

选百分位区间还是 BCa？

百分位区间简单，也是 SPSS 的默认值。BCa 校正了 Bootstrap 分布的偏差和偏度，覆盖率通常更好，尤其适合偏态统计量；代价是多做一次刀切法计算。

需要多少个 Bootstrap 样本？

1,000 个（SPSS 默认）足以估计标准误和 95% 百分位区间。若用 BCa 或 99% 区间，2,000–10,000 个样本能使端点更稳定。

为什么改变种子后区间会变？

不同的种子产生不同的重抽样集合，端点会有少量蒙特卡洛波动。请在报告中注明种子以便他人复现；若波动影响结论，就增加样本数。

能像 SPSS 那样对任意过程做 Bootstrap 吗？

不能。该面板只对描述统计（平均值、中位数、标准差）、Pearson 相关和线性回归系数做 Bootstrap，其他过程在此不提供 Bootstrap 选项。

为什么不允许使用抽样权重？

把个案当作相互独立来重抽样会忽略分层和整群，导致标准误错误。请使用复杂抽样，它根据抽样设计估计方差。

相关过程

用你自己的数据运行 Bootstrap（自助法）

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。