线性

OLS估计量是Y（因变量）值的线性函数，这些值使用非线性函数对X（回归变量或解释变量）的值进行加权线性组合。因此，OLS估计量是关于其如何使用因变量的值的“线性”估计量，而与它如何使用回归变量的值无关。

无偏

假设我们研究的任何事物的总体规模为100。我们使用样本量为10的样本估计总体中的 $\alpha$ 和 $\beta$ 。每次我们使用不同的样本（总体中不同的10个独特部分），我们将得到不同的 $\alpha$ 和 $\beta$ 。

使用OLS方法得到 $\alpha$ 和 $\beta$ ，我们会得到一种情况，即在反复尝试不同大小样本后，所有 $\alpha$ 和 $\beta$ 的平均值（平均值）将等于整个总体的实际 $\alpha$ 和 $\beta$ 。

基本上，这意味着如果您一遍又一遍地对总体的不同部分进行练习，然后找到您得到的所有答案的平均值，您将得到正确答案（或者您将非常接近它）。

有偏估计量将产生一个平均值，该平均值不是总体真实参数的值。

此属性是使OLS方法成为估计 $\alpha$ 和 $\beta$ 的最佳方法。当有多种无偏估计方法可供选择时，方差最小的估计量是最好的。（方差是衡量不同 $\alpha$ 和 $\beta$ 与其平均值之间的距离；方差是元素与其平均值之间的平均距离。）

方差较小的估计量（我们用来获得估计值的函数）是其各个数据点更接近平均值的数据点。与其他估计量相比，此估计量在统计学上更有可能提供准确的答案。OLS估计量是具有最小方差的估计量。

此属性只是一种确定使用哪种估计量的方法。

OLS估计量是有效的估计量。

一致估计量是指当样本量 n 增加时，其估计值趋近于总体参数真实值的估计量。