更新时间：2022-08-25 14:00
对于待估参数，不同的样本值就会得到不同的估计值。这样，要确定一个估计量的好坏，就不能仅仅依据某次抽样的结果来衡量，而必须由大量抽样的结果来衡量。对此，一个自然而基本的衡量标准是要求估计量无系统偏差。也就是说，尽管在一次抽样中得到的估计值不一定恰好等于待估参数的真值，但在大量重复抽样时，所得到的估计值平均起来应与待估参数的真值相同，换句话说，希望估计量的均值（数学期望）应等于未知参数的真值，这就是所谓无偏性（Unbiasedness）的要求。数学期望等于被估计的量的统计估计量称为无偏估计量。
设 是来自总体X的一个样本，θ是包含在总体X的分布中的待估参数。
若估计量 的数学期望 存在，且有 ，则称 是θ的无偏估计量。
对于总体X，设E(X)=𝜇，D(X)=σ2都存在，且σ2>0，若𝜇，σ2均未知，则σ2的估计量 是有偏的。另一方面，由于 ，所以 是σ2的渐进无偏估计量。
证明
因为，而
故
所以是σ2的有偏估计。
若在的两边同乘，即，而。
可见样本方差S2可以作为方差σ2的估计，而且是无偏估计。因此常用S2作为方差σ2的估计量。从无偏估计量的角度考虑，S2比二阶中心矩作为的估计好。
在实际应用中，对整个系统（整个实验）而言无系统偏差，就一次实验来讲， 可能偏大也可能偏小，实质上并说明不了什么问题，只是平均来说它没有偏差，所以无偏性只有在大量的重复实验中才能体现出来；另一方面，无偏估计只涉及一阶矩（均值），虽然计算简便，但往往会出现一个参数的无偏估计有多个，而无法确定哪个估计量好。因此，无偏性的作用在于可以把重复估计中的各次误差通过平均来消除。这并不意味着该估计量在一次使用时并能获得良好的结果。在具体问题中，无偏性是否合理，应当结合具体情况来考虑。在有些问题中，无偏性的要求可能会导出不同的结果来。
事实上， 中的每一个均可作为θ的无偏估计量，究竟哪个估计量更合理，就看哪个估计量的观察值更接近真实值，即估计量的观察值更密集地分布在真实值附近。而方差能反映随机变量取值的分散程度，所以无偏估计以方差最小者为最好、最合理，为此后人引进了估计量的有效性概念。