像用一批带随机权重的“替身数据”反复验算结果，乘子 Bootstrap 的卖点是省事。但在变量数与样本量相当的高维数据里，它可能把最关键的信号判断带偏。Jiahui Xie 研究的是协方差矩阵的最大特征值——许多变量中最强的共同变化方向——并划出了这种方法何时可靠、何时失灵的边界。
论文最值得注意的结果出现在没有明显“尖峰”信号的情形。原始最大特征值通常呈 Tracy–Widom 型波动；若随机权重没有上限，Bootstrap 后却会转成 Fréchet 或 Gumbel 型极值规律，无法复现原分布。即使权重有上限，结果仍会随变量数与样本量之比、权重上界附近的分布形态及总体协方差结构，在 Tracy–Widom、Gaussian（钟形分布）和 Weibull 之间切换。更反直觉的是：无条件模型中的 Tracy–Widom 区域，到了常用的条件 Bootstrap 中会塌缩成一个点，也就是模拟波动几乎消失。论文因此提醒，给高维最大特征值估置信区间时，不能把 Bootstrap 当作即插即用的保险；权重选择、尖峰强弱和必要的偏差修正都会决定结论是否可信。