计量经济学中，参数估计是指使用样本数据来估计模型参数的过程。这些参数通常描述了经济变量之间的关系。以下是一些常用的参数估计方法：

1. **普通最小二乘法（Ordinary Least Squares, OLS）**：

- 这是计量经济学中最常用的参数估计方法之一。

- 它通过最小化实际观测值与模型预测值之间的差异的平方和来估计模型参数。

- 适用于线性回归模型，且满足经典假设（如线性、独立性、同方差性等）。

2. **加权最小二乘法（Weighted Least Squares, WLS）**：

- 用于处理异方差性（不同观测值的误差有不同的方差）。

- 通过为不同的观测值分配不同的权重来最小化加权残差平方和。

3. **广义最小二乘法（Generalized Least Squares, GLS）**：

- 用于处理更一般的异方差性和序列相关性问题。

- 它结合了OLS和WLS的特点，并允许误差项具有不同的方差和序列相关性。

4. **极大似然估计（Maximum Likelihood Estimation, MLE）**：

- 用于估计非线性模型的参数。

- 它通过最大化似然函数来找到参数的估计值，似然函数描述了观测数据的概率。

5. **矩估计（Moment Estimation）**：

- 通过样本矩来估计模型参数。

- 通常用于估计具有特定矩性质的参数，如期望值、方差等。

6. **贝叶斯估计（Bayesian Estimation）**：

- 一种基于贝叶斯定理的估计方法，它结合了样本数据和先验信息。

- 通过计算后验概率来估计参数，通常需要假设参数的先验分布。

7. **非线性最小二乘法（Nonlinear Least Squares, NLS）**：

- 用于估计非线性回归模型的参数。

- 它通过最小化非线性模型的残差平方和来估计参数。

8. **两阶段最小二乘法（Two-Stage Least Squares, 2SLS）**：

- 用于处理内生性问题，特别是在联立方程模型中。

- 它通过两阶段过程来估计参数，首先使用第一阶段回归来消除内生性，然后使用第二阶段回归来估计参数。

这些方法各有优势和局限性，适用于不同的数据集和模型。在实际应用中，选择哪种参数估计方法取决于数据的特点、模型的形式以及研究的目的。