普通最小二乘法（Ordinary Least Squares，簡稱OLS）是一種在統計學和計量經濟學中常用的參數估計方法。它的主要原理是通過最小化觀測值與模型預測值之間的平方和來確定模型參數，使得模型能夠最好地擬合數據。具體來說，普通最小二乘法的基本假設包括：
線性假定：模型中的參數與誤差項獨立，且誤差項的均值為0。
同方差假設：誤差項的方差為常數，即不同觀測值的誤差項具有相同的方差。
誤差項之間相互獨立：誤差項之間不存在自相關性。
觀測個數大於待估參數個數：確保模型有足夠的自由度。
滿足隨機抽樣且不存在異常值：保證模型估計的準確性。
這些假設被稱為「經典線性回歸模型的假設」，它們是套用普通最小二乘法時需要滿足的基本條件。
在實際套用中，普通最小二乘法可能會遇到一些問題，例如，當數據不滿足上述假設時，如存在異方差性或自相關性，可能需要採用其他方法，如加權最小二乘法或廣義最小二乘法等。
此外，普通最小二乘法的一個重要概念是區分「估計量」和「估計值」。估計量是由樣本數據計算出來的具體數值，而估計值則是參數估計量的具體數值。
總結來說，普通最小二乘法是一種基於最小化觀測值與模型預測值之間平方和的參數估計方法，它適用於線性回歸模型，並且在滿足特定假設條件下能夠提供有效的參數估計。然而，實際套用中可能需要根據數據的特點選擇更合適的估計方法。