Bootstrap – metoda estymacji statystycznej polegająca na wielokrotnym losowaniu ze zwracaniem nowych prób z danych zaobserwowanych w badaniu. Każda próba bootstrapowa ma zwykle taką samą liczebność jak próba oryginalna, ale ponieważ losowanie odbywa się ze zwracaniem, niektóre obserwacje mogą pojawić się w niej wielokrotnie, a inne nie wystąpić wcale.  Na podstawie wielu prób bootstrapowych tworzy się empiryczny rozkład interesującej statystyki, np. średniej, niestandaryzowanego współczynnika regresji lub efektu pośredniego. 

Bootstrap jest szczególnie użyteczny wtedy, gdy trudno oprzeć wnioskowanie na prostych założeniach dotyczących rozkładu statystyki, np. przy rozkładach asymetrycznych, mniejszych próbach lub złożonych estymatorach. Najczęściej wykorzystuje się od kilku do kilkunastu tysięcy replikacji, np. 5000.

Jednym z częstych zastosowań bootstrapu jest analiza mediacji. W makrze PROCESS bootstrap wykorzystuje się przede wszystkim do estymacji przedziałów ufności dla efektu pośredniego. W analizie mediacji efekt pośredni uznaje się zwykle za istotny, gdy bootstrapowy przedział ufności nie obejmuje wartości 0.  Jest to preferowane podejście, ponieważ rozkład iloczynu współczynników tworzących efekt pośredni często odbiega od normalnego, przez co klasyczne testy oparte na założeniu normalności mogą być mniej odpowiednie.

Bootstrap stosuje się również do wyznaczania przedziałów ufności dla m.in. współczynników regresji standaryzowanych, różnic między parametrami oraz innych statystyk, dla których ich teoretyczny rozkład jest trudny do określenia.  Co ważne bootstrap nie tworzy nowych informacji w danych – pozwala natomiast lepiej oszacować niepewność wyników na podstawie posiadanej próby. 

PRZYKŁAD DZIAŁANIA METODY BOOTSTRAP DLA PRÓBKI (N = 12)