矩估计比较好理解，就是用样本的矩直接作为总体矩的估计值。就是将样本的矩计算出来，直接作为总体的矩即可。从以上定义中也可以看出来，矩估计法是一种点估计的方法。
当然这里的阶数要保持一致，及样本的一阶矩估计总体一阶矩，样本二阶矩估计总体的二阶矩。而极大似然估计是另一种点估计方法，也是机器学习等学科中经常使用到的方法。简直就是重中之重。
特点：
矩估计法或者不能满足似然函数积分消除非观侧变化的要求，虽然决定非观侧变量的非线性动力系统的似然敬是不行的。但棋拟状态向且的发展十分可行，有效矩方法就依拟于此。
矩估计法主要思扭是达到最大似然方法，(ML)估计的有效性和兼抖广义短方法(CMM)的灵活性。ML本身也可以解释成一种矩估计方法，它的刻度向址，即时数似然函效对参数向械的偏导数向导，提供了矩条件。
矩估计法是利用样本矩估计总体中相应参数。
对于随机变量来说，矩是其最广泛，最常用的数字特征，母体ξ的各阶矩一般与ξ的分布中所含的未知参数有关，有的甚至就等于未知参数。由辛钦大数定律知，简单随机子样的子样原点矩＼bar{\xi^r}依概率收敛到相应的母体原点矩Eξr,r = 1,2,Λ。
这就启发我们想到用子样矩替换母体矩（今后称之为替换原则），进而找出未知参数的估计，基于这种思想求估计量的方法称为矩法。用矩法求得的估计称为矩法估计，简称矩估计。它是由英国统计学家皮尔逊Pearson于1894年提出的。
矩法估计的优缺点：
矩法估计原理简单、使用方便，使用时可以不知母体的分布，而且具有一定的优良性质（如矩估计为Eξ的一致最小方差无偏估计），因此在实际问题，特别是在教育统计问题中被广泛使用。
但在寻找参数的矩法估计量时，对母体原点矩不存在的分布如柯西分布等不能用，另一方面它只涉及母体的一些数字特征，并未用到母体的分布，因此矩法估计量实际上只集中了母体的部分信息，这样它在体现母体分布特征上往往性质较差，只有在样本容量n较大时，才能保障它的优良性，因而理论上讲，矩法估计是以大样本为应用对象的。
