先看結果。不能畫圖，可以想象。在座標系x-y內，x軸上真實值b是不動的，一個以b為期望的分佈b hat（估計量），但b hat 的形態是隨著計算樣本自由度（樣本量n、變數數k）而變化的（但大樣本OLS弱假定下始終滿足漸進正態性），因為b hat的方差估計量與n,k有關，因此n，k確定情況下，b hat的分佈形態是不變的， 想象成b hat分佈（n，k確定）下的用第j組樣本量計算的某個取值。

舉例：樣本均值 是總體期望值EX=u的估計量，利用第j個樣本集計算出樣本均值的具體值 ，這個 就是u的估計值。這個例子與計量下的估計量 hat 唯一區別在於： 統計量的表現形式不一樣， = ，而後者比如一元OLS下的b hat= 。

再看從計量角度估計量、估計值如何來的，以最簡單的一元帶截距迴歸方程為例，滿足大樣本OLS弱假定

計量角度來看，一個存在但不可能知曉的真實值b，滿足理論模型F（X，Y，b）=0；從理論到現實，存在誤差等不可控因素，存在總體迴歸方程f（X，Y，b，e）=0，b稱為總體引數，而總體（X，Y）不知，真實值b也永遠不能確定，e是總體誤差，為隨機變數，滿足條件均值和同方差 假定總體無法獲取，只能得到n個樣本量的一個樣本集。於是可以建立樣本回歸方程f（x，y，b hat，u）=0，其中b hat稱為b的估計量。估計量可以用多種計算方法，運用OLS方法計算就是ols估計量，運用MLE方法計算就是MLE估計量，此外還有分位數迴歸、中位數迴歸、FGLS等等，而從表現形式看，估計量是樣本（x，y）的表示式g= 。u是殘差，是e的抽樣值，殘差方差為 將一個樣本集代入估計量的表示式g（x，y）得到b hat的一個具體值，即b基於此樣本下的一個估計值 （第j個樣本集計算的b估計值）

其他相關延伸

用什麼標準去衡量一個b hat的好壞呢？主要兩個標準，一是b hat的期望值必須與真實值相等，也就是常說的無偏性；另一個就是b hat離真實值b的分散程度最小，方差最小，也就是有效性。大樣本下可以這兩個標準放鬆為漸進性，即依機率收斂為真實值和漸進方差最小。前人已經幫我們證明了，滿足OLS假設條件下，b的估計量b hat是滿足BLUE性質的。因此，OLS假設的存在只是保證b hat其中的某一形式（比如OLS估計量g）作為計算真實值b的估計量的合理性，以及確定b hat的分佈，包括均值E（b hat）=b，方差 （一元迴歸， 是總體誤差方差）和分佈形式為正態（誤差同方差的正態分佈下）或者漸進正態（大樣本同方差下），為假設推斷、顯著性檢驗做準備，與其具體代入的樣本值並無任何關係。但我們無法知道具體總體誤差 ，u是e的抽樣，只能用殘差 去估計，OLS下 (一元下）是 的無偏估計，於是b hat的方差估計量（類似樣本方差 對總體方差 的估計）為 。再依據b hat的（漸進）正態分佈性質，構建t統計量，對 是否顯著異於b進行檢驗。