bootstrap分析方法
bootstrap解决什么问题？
bootstrap方法主要思路？
Bootstrap方法能够解决许多传统统计分析方法不能解决的问题。
Bootstrap方法从观察数据出发，不需任何分布假定，针对统计学中的参数估计及假设检验问题，利用Bootstrap方法产生的自举样本计算的某统计量的数据集可以用来反映该统计量的抽样分布，即产生经验分布，这样，即使我们对总体分布不确定，也可以近似估计出该统计量及其置信区间，由此分布可得到不同置信水平相应的分位数——即为通常所谓的临界值，可进一步用于假设测验。
中介分析法有什么意义？
中介分析法又称为中介效应分析法，其意义在于有助于揭示心理现象间复杂的间接关系,也有助于间接分析横断研究中变量间的因果关系.
常用的中介效应分析方法有依次检验法,Sobel方法,区间估计法,从统计功效和适用广度来看,区间估计法中的非参数百分位Bootstrap方法最为有效。
bootstrap方法主要思路？
Bootstrap 提供了一套响应式、移动设备优先的流式栅格系统，随着屏幕 或视口（viewport）尺寸的增加，系统会自动分为最多 12 列。栅格系统用于通 过一系列的行（row）与列（column）的组合来创建页面布局，你的内容就可以 放入这些创建好的布局中。
网格系统的实现原理非常简单，仅仅是通过定义容器大小，平分 12 份(也有 平分成 24 份或 32 份，但 12 份是最常见的)，再调整内外边距，最后结合媒体 查询，就制作出了强大的响应式网格系统。Bootstrap 框架中的网格系统就是 将容器平分成 12 份。
数据行(.row)必须包含在容器（.container）中，以便为其赋予合适的对 齐方式和内距(padding)。在行(.row)中可以添加列(.column), 只有列（column）才可以作为行容 器(.row)的直接子元素，但列数之和不能超过平分的总列数，比如 12。如果大于 12,则自动换到下一行。