在古典假設(shè)成立的條件下，使用普通最小二乘法（OLS）估計(jì)線性回歸模型參數(shù)，參數(shù)估計(jì)量具有以下統(tǒng)計(jì)性質(zhì)：

- **無(wú)偏性**：OLS估計(jì)量是無(wú)偏的，這意味著估計(jì)量的期望值等于真實(shí)參數(shù)值。在所有樣本中，平均起來(lái)，估計(jì)量能夠準(zhǔn)確地反映真實(shí)的參數(shù)值。

- **線性特性**：OLS估計(jì)量是關(guān)于觀測(cè)數(shù)據(jù)的線性函數(shù)。

- **最小方差特性（效率）**：在滿(mǎn)足古典線性回歸模型假設(shè)條件下，OLS估計(jì)量是線性無(wú)偏估計(jì)量中具有最小方差的。這就是所謂的Gauss-Markov定理所表述的特性，意味著在所有線性無(wú)偏估計(jì)量中，OLS估計(jì)量的方差是最小的。

- **一致性**：當(dāng)樣本量趨于無(wú)窮大時(shí)，OLS估計(jì)量會(huì)收斂到真實(shí)參數(shù)值。

結(jié)合這幾點(diǎn)，我們可以判斷：

- **A:有偏特性**：不正確，OLS在經(jīng)典假設(shè)下是無(wú)偏的。
- **B:非線性特性**：不正確，OLS估計(jì)是線性的。
- **C:最小方差特性**：正確，在所有線性無(wú)偏估計(jì)量中，OLS具有最小的方差。
- **D:非一致特性**：不正確，OLS估計(jì)量在樣本量增大時(shí)是一致的。

因此，正確答案是 **C: 最小方差特性**。