在数学中，判断一个估计量的好坏通常涉及到对估计值的准确性和精确度进行评估。以下是一些常见的标准和方法：

无偏性： 一个估计量是无偏的，意味着其期望值等于真实值。如果一个估计量在许多独立实验中的平均值接近于被估计的参数，那么它是无偏的。无偏性是一个理想的特性，因为它意味着估计的平均误差为零。

一致性： 一个估计量是一致的，表示随着样本容量的增加，估计值趋向于真实值。一致性是一个强大的性质，特别是在大样本情况下。

有效性： 有效性涉及到一个估计量的方差。一个有效的估计量是方差最小的，它相对于其他估计量来说更具有精确性。方差较小的估计通常更接近真实值。

均方误差（Mean Squared Error, MSE）： MSE是估计值和真实值差异的平方的期望值。一个好的估计量应该具有较小的MSE，这意味着估计值的平方差异相对较小。

置信区间： 一个好的估计量通常伴随着一个较窄的置信区间。较窄的置信区间表示对参数值的估计更为准确。

偏差： 估计值与真实值之间的平均差异被称为偏差。一个好的估计量应该有较小的偏差，尽量接近真实值。

效率： 一个估计量在统计学上被称为“有效”的，如果它在给定条件下具有最小的方差。效率是一个相对的概念，通常通过比较不同估计量的方差来确定。

渐进性质： 在大样本情况下，估计量的渐近性质变得重要。例如，一个渐进无偏的估计量在大样本下趋于无偏。

在实际应用中，选择一个合适的估计量通常取决于具体问题、数据性质以及估计的目标。统计学中有许多不同的估计方法，包括最大似然估计、最小二乘估计等，它们各自具有不同的性质和适用范围。