衡量一个点估计量的好坏的标准有很多，比较常见的有：无偏性、有效性和一致性。
由于抽样具有随机性。每次抽出的样本都不尽相同，根据这些样本得到的点估计的值也不尽相同。那么，如何来确定一个点估计的好坏呢？单凭某一次抽样的样本是不具有说服力的，必须要通过很多次抽样的样本来衡量，然后将所有的点估计值平均起来，也就是取期望值（点估计量的抽样分布的数学期望），这个期望值应该和总体参数一样。这就是所谓的无偏性。无偏估计的实际意义就是无系统误差。
无偏性不是要求估计量与总体参数不得有偏差，因为这是不可能的，既然是抽样，必然存在抽样误差，不可能与总体完全相同。无偏性指的是如果对这同一个总体反复多次抽样，则要求各个样本所得出的估计量（统计量）的平均值等于总体参数。符合这种要求的估计量被称为无偏估计量。
有效性是指对同一总体参数，如果有多个无偏估计量，那么离散程度最小（标准差最小）的估计量更有效。因为一个无偏的估计量并不意味着它就非常接近被估计的参数，还要和总体参数的离散程度比较小。估计量与总体之间必然存在着一定的误差，衡量这个误差大小的一个指标就是方差，方差越小，估计量对总体的估计也就越准确，这个估计量也就越有效。
一致性也叫相合性，是指随着样本量的增大，点估计的值越来越接近被估计的总体的参数。因为随着样本量增大，样本无限接近总体，那么，点估计的值也就随之无限接近总体参数的值（如图2-21所示）。一般的参数估计都具有相合性，判定一个估计量的是否有相合性有个定理，就是 n 趋于无穷大时，如果这个估计量的期望等于估计参数，估计量的方差为0，则这个估计量有相合性，反之没有相合性。
●图2-21 样本量和点估计的关系
