参数估计（Parameter Estimation）是根据从总体中抽取的样本数据来估计总体分布中包含的未知参数的方法。它是数理统计研究的核心问题之一，旨在通过样本信息推断总体的统计特征。参数估计可以分为两大类：
点估计（Point Estimation）
点估计是通过样本数据构造一个量，作为总体未知参数或其函数的估计值。例如，用样本均数估计总体均数，用样本比例估计总体比例。
点估计方法包括矩估计法、极大似然估计法、最小二乘法和贝叶斯估计法等。
区间估计（Interval Estimation）
区间估计是根据样本数据构造一个区间，作为总体未知参数或其函数的真值所在范围的估计。例如，置信区间的估计可以用来表示总体参数有百分之多少的把握落在某个范围内。
参数估计具有以下性质：
无偏性（Unbiasedness）：估计量的期望值等于被估计的参数真值。
一致性（Consistency）：当样本量趋于无穷大时，估计量依概率收敛于被估计的参数真值。
有效性（Efficiency）：在所有无偏估计量中，估计量的方差最小。
参数估计在统计学、医学、经济学、工程学等多个领域有广泛应用，是数据分析的基础工具之一。通过参数估计，我们可以更好地理解和预测总体的行为和特征。