bootstrap方法已经成为一种广泛使用的工具，在基于渐近理论的结果稀少的不同领域得到了应用。例如，它可以用于评估统计数据的方差、感兴趣的分位数，或者通过从零假设中重新采样进行显著性测试。最近，在生物测定领域提出了一些方法，其中对引导样本进行假设测试或模型选择，就好像它是原始样本一样。然而，从文献中可以看出，当忽略引导样本不是真正潜在分布的直接实现时，这些程序可能会分别导致更显著的结果或过度复杂的模型。我们解释了为什么会出现这种情况，并以Z检验和似然比检验为例说明了自举样本的测试不能提供有效的p值。我们还说明，正如已知理论所建议的那样，当基于自举样本计算信息标准时，该标准是不可靠的。此外，我们根据这些考虑重新审视了四种方法：p值分布的估计、模型复杂性选择、可变包含频率和模型平均。使用模拟研究和文献中的证据，我们证明这些方法可能会得出误导性的结论，并讨论解决此问题的可能方法。