在统计学中，参数估计是根据样本数据来推断总体参数的过程。常用的参数估计方法主要包括点估计和区间估计两大类。

点估计是指用一个具体的数值作为未知参数的估计值。常见的点估计方法有：矩估计法、最大似然估计法（MLE）、最小二乘估计法等。其中，矩估计法是基于样本矩与总体矩之间的关系来确定参数的方法；最大似然估计法则是在给定数据的情况下，寻找使得该数据出现概率最大的模型参数值；而最小二乘估计主要用于回归分析中，通过最小化预测值与实际观测值之间差异的平方和来估计参数。

区间估计则是指构造一个范围（即置信区间），在这个范围内以一定的置信水平包含未知参数的真实值。常用的构建置信区间的理论基础包括枢轴量法、Bootstrap方法等。枢轴量法是通过找到一个与待估参数相关的统计量，该统计量的分布不依赖于未知参数，从而可以构造出置信区间；Bootstrap方法则是利用计算机技术从原始样本中重复抽样生成大量“新”样本，基于这些样本计算目标参数的不同估计值，进而得到其分布特性，并据此构建置信区间。

此外，在实际应用中还可能会涉及到贝叶斯估计等其他类型的参数估计方法。贝叶斯估计将参数视为随机变量，并结合先验信息与数据提供的后验概率来更新对参数的认识，从而获得更准确的估计结果。

这些不同的估计方法各有优缺点和适用场景，在选择具体的方法时需要考虑问题的具体要求、数据的特点以及计算资源等因素。