Bootstrap方法最初由美国斯坦福大学统计学教授Bradley Efron在1977年提出。作为一种崭新的增广样本统计方法，Bootstrap方法为解决小规模样本试验评估问题提供了很好的思路。
美国加州斯坦福大学统计学家Bradley Efron（布拉德利·埃弗龙）因首创Bootstrap法（自助法，一种测量小数据样本可靠性的方法），获得了2018年度国际统计学奖。美国统计协会（ASA）与其他4个科学团体共同管理国际统计学奖，该奖项于2016年首次颁发，奖金8万美元，每两年颁发一次。
Efron的工作可以追溯到1977年，并产生了目前在许多学科中普遍使用的技术。在许多科学分支中，研究人员常常不得不从有限的数据中得出结论。评估这些结论的置信水平是至关重要的，而且往往很困难。在20世纪70年代，Efron等人意识到计算机的日益普及将使计算密集型的新测试成为可能。
Bootstrap法是第一个此类方法。它以随机的方式对数据样本进行划分，并计算出结论（例如两个变量之间存在很强的相关性）是否可靠。Efron说：“它允许数据分析师使用复杂的，甚至非常复杂的方法，并仍然能够评估其准确性。”
很多人会对Bootstrap这个名字感到困惑。英语Bootstrap的意思是靴带，来自短语：pull oneself up by one′s bootstrap。18世纪德国文学家拉斯伯的小说《巴龙历险记》记述道：巴龙掉到湖里沉到湖底，在他绝望的时候，他用自己靴子上的带子把自己拉了上来。现意指不借助别人的力量，凭自己的努力，终于获得成功。在这里Bootstrap法是指用原样本自身的数据抽样得出新的样本及统计量，根据其意现在普遍将其译为自助法。
一般情况下，总体永远都无法知道，我们能利用的只有样本，现在的问题是，样本该怎样利用呢？Bootstrap的思想也就是：既然样本是抽出来的，那我何不从样本中再抽样呢？
Bootstrap的抽样方式都是“有放回地全抽”，意思就是抽取的Bootstrap样本量与原样本相同，只是在抽样方式上采取有放回地抽，这样的抽样可以进行多次，每次都可以求一个相应的统计量/估计量，最后看看这个统计量的稳定性如何（用方差表示）。
Bootstrap是一种抽样方法。例如，我要统计鱼塘里面的鱼的条数，怎么统计呢？步骤如下所示：
（1）承包鱼塘，不让别人捞鱼(规定总体分布不变)。
（2）自己捞鱼，捞100条，都打上标签(构造样本)。
（3）把鱼放回鱼塘，休息一晚(使之混入整个鱼群，确保之后抽样随机)。
（4）开始捞鱼，每次捞100条，数一下，自己昨天标记的鱼有多少条，占比多少(一次重采样取分布)。
（5）重复3，4步骤n次，建立分布。
假设一下，第一次重新捕鱼100条，发现里面有标记的鱼12条，记下为12%，放回去，再捕鱼100条，发现标记的为9条，记下9%，重复多次之后，假设取置信区间95%，你会发现，每次捕鱼平均在10条左右有标记，所以，我们可以大致推测出鱼塘有1000条左右。
Bootstrap适用于小规模样本试验，这也就解释了，为什么在小样本的时候，Bootstrap效果较好，设想一下，如果我想统计大海里有多少鱼，即便我标记10万条也没用啊，因为实际数量太过庞大，而我取的样本相比太过渺小，最实际的就是，我下次再捕10万的时候，发现一条都没有标记，这就尴尬了。