自助法利用计算机从原样本中“重新抽取（resample）”大量的新样本，通过这些新样本得到一个统计量抽样分布的估计。然后，我们再利用这个估计的抽样分布（而不是事先假设的分布）来做总体推断，例如推断是否β值不为0。因此，当统计量的潜在抽样分布不能假设为正态分布，且利用常规很小二乘法（OLS）估计回归系数得到的残差有偏时，我们可以利用自助法来估计。当抽样分布没有可用的分析方法时，例如估计两个样本中位数之间的差异时，我们也可利用自助法来估计。在这些情况下，我们可能不用传统方法来估计置信区间（和做显著性检验），而可能倾向于利用以下四种自助置信区间法（bootstrap confidence interval methods)：正态近似法（normal approximation），百分位法（percentile），偏差矫正百分位法（bias-corrected percentile），或百分位 法（percentile- ）。虽然每种方法都有各自的优缺点，这在本书中有详细的讨论，但穆尼和杜瓦尔稍稍倾向于百分位 法，至少当主要目标是假设检验的准确性时。而且，即使分析人员基本上依赖于传统的推断方法，他们也可利用自助法来评估某些模型假设是否不成立。作者采用许多真实数据来举例说明自助法。这些例子包括美国各州的石油生产，SMSA的人均个人收入，美国人争取民主行动组织（Americans for Democratic Action, 简称ADA）对国会成员的排名，及立法委员会成员和整个立法机关的偏好的中位值之差。很后，在附录中，作者总结了怎么利用不同可用的软件包来应用这个计算机运算密集的方法。利用本书和合适的计算机支持，分析人员应该能很容易地利用自助法去做一些统计推断的探索。