本文于 2019-12-06 05:10 更新，已是最新版。
1.估计量
参数的点估计就是根据样本构造一个统计量，作为总体未知参数的估计。设总体的X未知参数为seta,样本根据样本构造一个统计量（只依赖于样本，不含总体分布的任何参数。常用的统计量有样本矩，次序统计量：将样本按从小到大或者从大到小顺序排列，）作为未知参数的估计，则称这个统计量为未知参数的估计量。
2.无偏性
估计量抽样分布的数学期望等于总体参数的真值。如果总体参数为seta，seta1为估计量，如果E(seta1)=seta，那么seta1为seta的无偏估计量。seta1也是一个随机变量，它取决于样本，根据所选样本的不同而变化。
3.有效性
指估计量与总体参数的离散程度，如果两个估计量都是无偏的，那么离散程度较小的估计量相对来说是有效的，离散程度用方差来衡量。估计量的方差越小，则估计量越有效。
4.一致性（相合性）
样本数目越大，估计量就越来越接近总体参数的真实值。如果seta1在seta周围震荡，那么满足无偏性却不满足一致性。 参数一致性的实例如下：
综上，我们说无偏性，是要证明 E(β-hat) = β。而我们说明一致性，是要证明 β-hat = β 。所以，无偏性是证明参数的估计值恰好等于原参数，一致性是指参数估计值就等于原参数，而无需求什么期望值。
参考资料： https://baike.so.com/doc/6413099-6626768.html https://baike.so.com/doc/3632362-3818318.html
