像先从一群候选人里挑出“表现最好”的几位，再只按入选后的成绩计算误差，结果往往显得过于确定。Cox回归——分析患者多久复发等“事件何时发生”问题的模型——也有这个麻烦：Lasso用同一批数据筛掉部分变量后，若直接套用Wald置信区间（估计值加减若干个标准误），区间可能过窄，实际覆盖真值的频率低于标称水平。
Schemet、Groll与Friedrich-Welz提出模型Bootstrap来修补这一点。方法先运行一次Cox–Lasso确定变量，再用这些变量拟合不带惩罚的Cox模型；随后从这个拟合模型反复生成模拟数据，每次只重拟合Cox模型，不重做筛选。作者报告，在若干小样本和中等样本模拟中，百分位与学生化Bootstrap区间的条件覆盖优于Bootstrap-Wald区间，并与去偏区间大体相当，但结果取决于信号强度、调参和筛选稳定性。边界也很明确：变量名单始终固定，因此它衡量的是“既然已经选了这些变量”之后的不确定性，并未纳入名单本身可能变化的风险。