hhjboot 常规的自举方法依赖于这样的假设，即观测值是独立且均匀分布的（ iid ），但是这种假设在许多类型的时间序列中均失败，因为我们希望上一时期的观测值对当前观测值具有一定的解释力。 这可能发生在失业率，股票价格，生物数据等任何时间序列中。一个iid的时间序列看起来像白噪声，因为下面的观察将完全独立于先前的观察。 为了解决这个问题，我们可以通过将时间序列分解为多个长度为l的块来保留一些时间相关性。 代替（与替换）像一个普通的自举随机采样每个观测的，我们可以在随机重新取样这些块。 这样