在统计学中，估计量是基于观测数据计算一个已知量的估计值的法则：于是估计量（estimator）、被估量（estimand）和估计值（estimate）是有区别的。 

估计量用来估计未知总体的参数，它有时也被称为估计子；一次估计是指把这个函数应用在一组已知的数据集上，求函数的结果。对于给定的参数，可以有许多不同的估计量。我们通过一些选择标准从它们中选出较好的估计量，但是有时候很难说选择这一个估计量比另外一个好。

estimator

用来估计总体未知 参数用的 统计量。

当经 测定的具体 数值代入估计量时，它就是一个具体的数值称为估计值，英文是estimate。

设（X1，……，Xn)为来自总体X的样本，（x1,…xn）为相应的样本值，θ是总体分布的未知参数,θ∈Θ，

Θ表示θ的取值范围，称Θ为参数空间。尽管θ是未知的，但它的参数空间Θ是事先知道的。为了估计未知参数θ,我们构造一个统计量h（X1，……，Xn),然后用h（X1，……，Xn)的值h（x1,…xn）来估计θ得真值，称h（X1，……，Xn)为θ的估计量。

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。

定义1设总体的X未知参数为，样本为，根据样本构造一个统计量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.

估计量的常用标准有三个，分别为：无偏性、有效性和一致性

（一）无偏性

定义若估计量=(X1,X2,…,Xn)的数学期望E()存在，且对于任意∈有

E()=,则称是的无偏估计。

在科学技术中E()-称为以作为估计的系统误差，无偏估计的实际意义就是无系统误差。

例1：设总体X的的k阶矩k=E(Xk)(k1)存在，又设X1,X2,…,Xn是X的一个样本。试证明不论总体服从什么分布特别，不论总体服从什么分布，只要它的数学期望存在

总是总体X的数学期望1=E(X)的无偏估计量。

例2：对于均值,方差0都存在的总体，若,2均为未知，则2的估计量是有偏的。

以下定义和属性是相关的。

误差

对于一个给定样本x，估计量的"误差"定义为

其中是待估参数。注意误差e不仅取决于估计量（估计公式或过程），还取决于样本。

均方误差

估计量的均方误差被定义为误差的平方的期望值，即为：

它用来显示估计值的集合与被估计单个参数的平均差异。试想下面的类比：假设“参数”是靶子的靶心，“估计量”是向靶子射箭的过程，而每一支箭则是“估计值”（样本）。那么，高均方误差就意味着每一支箭离靶心的平均距离较大，低均方误差则意味着每一支箭离靶心的平均距离较小。箭支可可能会集聚也可能不。比如说，即使所有箭支都射中了同一个点，同时却严重偏离了靶子，均方误差相对来说依然很大。然而要注意的是，如果均方误差相对较小，箭支则更有可能集聚（而不是离散）。