Bootstrap 非参数重采样与置信区间

非参数 Bootstrap 自助重采样法与置信区间估计 (Non-parametric Bootstrap Resampling & Empirical Confidence Intervals / Efron 提出) 是数据科学家在面对复杂非线性统计量（如分位数 P99 延迟、比率指标的比值比、用户留存率比、基尼系数）无法推导闭式渐近正态分布时，进行统计推断与区间估计的瑞士军刀级算法；算法核心步骤：1) 有放回重采样：从原始样本量为 $N$ 的数据集中有放回随机抽样 $N$ 个观测值，构建一个 Bootstrap 伪样本数据集；2) 重复 $B = 10,000$ 次重采样，在每个伪样本上计算目标统计量 $\hat{\theta}^{*b}$；3) 构造经验分布：得到目标统计量的经验抽样分布直方图；4) 计算置信区间：采用百分位数法 (Percentile Bootstrap: 直接取 $2.5\%$ 与 $97.5\%$ 分位数作为 $95\%$ 置信区间) 或偏差校正加速法 (BCa: Bias-Corrected and Accelerated Bootstrap)，彻底摆脱对总体正态分布或大样本渐近理论的苛刻假设。

复杂业务指标（如用户留存、LTV 比率、高分位数 P95/P99 延迟）显著性检验、小样本置信区间评估、比值比指标方差估计。

很多真实业务指标是极其长尾、偏斜或非线性的，经典 $t$ 检验或 $Z$ 检验所依赖的中心极限定理在此类指标上严重失效；Bootstrap 提供了全自动的非参数经验推断。

写出使用 Pure Python/NumPy 实现非参数 Bootstrap 计算比率指标（如 $\text{CTR} = \frac{\sum \text{Clicks}}{\sum \text{Impressions}}$）$95\%$ 置信区间的向量化代码逻辑？

对比百分位数法 (Percentile Bootstrap)、标准误差正态近似法与偏差校正加速法 (BCa Bootstrap) 在处理偏态分布统计量时的理论精度？

双层聚类数据 (Cluster-correlated Data / 用户与会话级多事件): 为什么必须使用 Block/Cluster Bootstrap（以用户 User ID 为单位整块重采样）而不是逐条日志独立重采样？

参数化 Bootstrap (Parametric Bootstrap) vs 非参数化 Bootstrap (Non-parametric Bootstrap) 的核心差异与适用场景？

Bootstrap 在构建假设检验两样本差异 ($H_0: \theta_T = \theta_C$) 时的重居中零假设置换检验 (Permutation / Resampling under $H_0$) 步骤？