เปรียบเทียบวิธี

	การบูตสแตรปแบบทับซ้อน (Iterated Bootstrap)	การบูตสแตรปแบบบล็อก (แบบเคลื่อนที่และแบบอยู่กับที่)	การอนุมานแบบบูตสแตรป
สาขาวิชา	สถิติศาสตร์	สถิติศาสตร์	สถิติศาสตร์
ตระกูล	Regression model	Regression model	Regression model
ปีกำเนิด	1986	1989	1979
ผู้ริเริ่ม	Hall (1986); Beran (1987)	Künsch (moving block, 1989); Politis & Romano (stationary, 1994)	Bradley Efron
ประเภท	Resampling calibration (nested bootstrap)	Resampling inference for dependent data	Resampling-based inference
แหล่งต้นตำรับ	Hall, P. (1986). On the Bootstrap and Confidence Intervals. Annals of Statistics, 14(4), 1431-1452.	Künsch, H. R. (1989). The Jackknife and the Bootstrap for General Stationary Observations. Annals of Statistics, 17(3), 1217-1241.	Efron, B. (1979). Bootstrap Methods: Another Look at the Jackknife. Annals of Statistics, 7(1), 1-26.
ชื่อเรียกอื่น	iterated bootstrap, nested bootstrap, calibrated bootstrap, Çift Bootstrap (Double / Iterated Bootstrap)	moving block bootstrap, stationary bootstrap, blok bootstrap (moving block / stationary)	bootstrap, bootstrap resampling, nonparametric bootstrap, Bootstrap Çıkarımı
ที่เกี่ยวข้อง	5	5	5
สรุป	The double bootstrap is a resampling method that calibrates a bootstrap confidence interval with a second, nested layer of bootstrap to bring its actual coverage closer to the nominal level. Introduced by Hall (1986) and Beran (1987), it is especially valuable for small samples and skewed distributions where a single-layer bootstrap under-covers.	Block bootstrap is a resampling method for dependent, autocorrelated time-series data: instead of resampling single observations, it resamples whole blocks of consecutive observations so the serial-correlation structure is preserved. The moving block variant was introduced by Künsch (1989) and the stationary variant by Politis and Romano (1994).	Bootstrap inference, introduced by Bradley Efron in 1979, estimates the sampling distribution of a statistic by repeatedly resampling the observed data with replacement. It requires no distributional assumption and produces reliable confidence intervals even in small samples.