布拉德利·埃弗龙

布拉德利·埃弗龙

布拉德利·埃弗龙（Bradley Efron，1938年5月24日－），美国统计学家，斯坦福大学统计学 Max H. Stein 讲席教授。他是自助法（Bootstrap）的发明者，该方法被公认为20世纪统计学最重要的方法论突破之一，深刻改变了现代统计推断的实践范式。

生平

埃弗龙出生于明尼苏达州圣保罗市的一个犹太家庭。1960年以优异成绩毕业于加州理工学院数学系，随后进入斯坦福大学攻读统计学，1964年获博士学位，导师为鲁伯特·米勒。博士论文聚焦于序列分析中的贝叶斯方法。此后半个多世纪他始终在斯坦福大学工作，先后担任统计系主任和数理科学学院院长。

自助法：一场方法论革命

1977年，埃弗龙在滑铁卢大学首次公开阐述自助法的核心思想。1979年在《数理统计年鉴》发表里程碑论文《Bootstrap Methods: Another Look at the Jackknife》，正式将这一技术系统化。

自助法解决了统计学中一个根本难题：如何在缺乏强分布假设的前提下评估统计量的精度？传统方法依赖渐近正态理论或参数模型，面对中位数、分位数等复杂统计量时往往束手无策。早在1949年奎努耶就提出刀切法（Jackknife）以减少偏差，图基将其推广为方差估计工具，但刀切法本质是线性近似，适用范围有限。埃弗龙的洞见在于：将观测样本视为"总体的缩影"，通过对原始样本有放回重采样生成大量伪样本，再基于其经验分布估计标准误与置信区间——用计算替代数学推导。

"Bootstrap"一词源自英语俚语"凭自己的力量振作起来"，暗指方法仅依赖样本自身而不借助外部假设。从数学角度看，自助法以经验分布函数作为总体分布的非参数极大似然估计，再通过蒙特卡洛模拟近似抽样分布。埃弗龙证明了在温和条件下它具有二阶正确性（second-order correctness），为该方法提供了坚实的理论基础。

自助法提出之初学术界反应复杂，但随着计算能力飞速提升，其优势愈发显著。到1990年代已渗透到生物统计、计量经济学、机器学习、金融风险建模等几乎所有需要不确定性量化的领域。埃弗龙与弟子蒂布希拉尼合著的《An Introduction to the Bootstrap》（1993）至今仍是该领域经典。

其他学术贡献

经验贝叶斯方法：埃弗龙将詹姆斯-斯坦估计量的收缩思想系统化，提出Tweedie公式在经验贝叶斯中的应用框架，重新激活了这一领域。

局部虚假发现率：针对微阵列基因数据的大规模多重检验问题，他提出局部FDR概念，将Benjamini-Hochberg的FDR理论纳入统一的经验贝叶斯框架，实现从全局错误控制到逐案例推断的飞跃。2010年出版的《Large-Scale Inference》是该领域的集大成之作。

生存分析：埃弗龙提出的自一致性算法解决了区间删失数据的极大似然估计问题。

主要荣誉

1983年麦克阿瑟天才奖，1990年COPSS会长奖（统计学界"诺贝尔奖"），2005年美国国家科学奖章（总统亲自颁发），2014年盖伊金质奖章（英国皇家统计学会最高荣誉），2018年首届高斯奖（国际数学联盟颁发）。美国国家科学院院士。

思想遗产

埃弗龙的研究风格以罕见的几何直觉著称，善于在低维可视化中洞察高维统计结构的本质。他的学术谱系枝繁叶茂，培养了蒂布希拉尼（LASSO发明人）、哈斯蒂、瓦瑟曼等数十位杰出统计学家。其工作贯穿统计学的"计算转向"——从数学推导转向算法驱动的推断。在一个数据无处不在、模型日益复杂的时代，自助法提供了一条简单而深刻的路径：让数据自己说话，通过重采样来揭示不确定性。正如埃弗龙所言："统计学家的工作是做出有意义的错误陈述。"——自助法正是衡量这种"错误"的最优雅工具之一。