OLS法是使残差平方和最小化的估计方法。A. 正确B. 错误

OLS（普通最小二乘法）的核心思想是通过最小化残差平方和来估计回归模型的参数。残差是指实际观测值与模型预测值之间的差异，OLS通过求解使所有残差的平方和最小的参数值，得到最佳拟合模型。因此，题目中的描述正确。

关键概念解析：

1. 残差：实际值 $y_i$ 与预测值 $\hat{y}_i$ 的差，即 $e_i = y_i - \hat{y}_i$。
2. 残差平方和（RSS）：所有残差的平方之和，即 $\text{RSS} = \sum_{i=1}^n e_i^2$。
3. OLS的目标：找到回归系数 $\beta_0, \beta_1, \dots, \beta_k$，使得 $\text{RSS}$ 最小。

推导逻辑：

• 假设线性回归模型为 $y = \beta_0 + \beta_1 x_1 + \dots + \beta_k x_k + \epsilon$。
• 通过求偏导并令导数为零，可得正规方程组，解此方程组即可得到使 $\text{RSS}$ 最小的参数估计值。