Trường hợp sử dụng chính cho đóng bao là giảm phương sai của các mô hình sai lệch thấp bằng cách gộp chúng lại với nhau. Điều này đã được nghiên cứu thực nghiệm trong bài viết mang tính bước ngoặt " Một so sánh thực nghiệm về thuật toán phân loại bỏ phiếu: Đóng bao, tăng cường và biến thể " của Bauer và Kohavi . Nó thường hoạt động như quảng cáo.
Tuy nhiên, trái với niềm tin phổ biến, đóng bao không được đảm bảo để giảm phương sai . Một giải thích gần đây hơn và (theo tôi) tốt hơn là việc đóng bao làm giảm ảnh hưởng của các điểm đòn bẩy. Điểm đòn bẩy là những điểm ảnh hưởng không tương xứng đến mô hình kết quả, chẳng hạn như các ngoại lệ trong hồi quy bình phương nhỏ nhất. Rất hiếm khi các điểm đòn bẩy ảnh hưởng tích cực đến các mô hình kết quả, trong trường hợp đó việc đóng bao làm giảm hiệu suất. Hãy xem " Đóng gói cân bằng ảnh hưởng " của Grandvalet .
Vì vậy, để cuối cùng trả lời câu hỏi của bạn: hiệu quả của việc đóng bao phần lớn phụ thuộc vào các điểm đòn bẩy. Rất ít đảm bảo về mặt lý thuyết tồn tại, ngoại trừ việc đóng bao tuyến tính làm tăng thời gian tính toán về kích thước túi! Điều đó nói rằng, nó vẫn là một kỹ thuật được sử dụng rộng rãi và rất mạnh mẽ. Khi học với tiếng ồn nhãn, ví dụ, đóng gói có thể tạo ra các phân loại mạnh mẽ hơn .
Rao và Tibshirani đã đưa ra một cách giải thích Bayes trong " Phương pháp out-of-bootstrap để lấy trung bình và lựa chọn mô hình " :
Theo nghĩa này, phân phối bootstrap đại diện cho một phân phối sau (không gần đúng), không thông tin cho thông số của chúng tôi. Nhưng phân phối bootstrap này thu được một cách dễ dàng - mà không phải chính thức chỉ định trước và không phải lấy mẫu từ phân phối sau. Do đó, chúng ta có thể nghĩ về việc phân phối bootstrap như một người đàn ông nghèo "Bayes sau.