線性回歸模型中，通過最小化真實值和預測值之間偏差平方和的參數估計方法是最小二乘法。

正確答案是 B: 最小二乘法。

專業(yè)分析：
在多元線性回歸模型中，我們通常希望找到一組參數，使得模型的預測值與真實值之間的誤差最小。這個誤差通常通過SSE（Sum of Squared Errors，即誤差平方和）來衡量。最小二乘法（Least Squares Method）就是通過最小化SSE來求解回歸模型參數的方法。

最小二乘法的基本思想是選擇一組參數，使得所有數據點的預測值與真實值之間的平方誤差和最小化。具體來說，假設有n個觀測值，每個觀測值有一個真實值\( y_i \)和對應的預測值\( \hat{y}_i \)，則SSE定義為：
\[ \text{SSE} = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 \]

最小二乘法通過求解使得SSE最小的參數來實現這一目標。通過對參數求導并設導數為零，可以得到一組線性方程組，解這個方程組就能得到最優(yōu)參數。

其他選項的解釋：
A: 梯度下降法是一種優(yōu)化算法，可以用于最小化任意可微函數，包括SSE，但它不是特指用于線性回歸的最小二乘法。
C: 擬牛頓法是一種用于優(yōu)化的迭代算法，通常用于非線性問題的優(yōu)化，但在多元線性回歸中并不常用。
D: 坐標下降法是一種優(yōu)化算法，通過逐個優(yōu)化各個參數來最小化目標函數，但它也不是特指用于線性回歸的最小二乘法。

因此，最小二乘法是通過最小化SSE來求解多元線性回歸模型參數的正確方法。