OLS 本身并不意味着正在执行何种类型的推理（如果有）。我会说这只是一个描述性统计数据。

如果您假设一些生成模型（采样分布），并尝试推断 OLS 系数，那么您可以自由地进行频率推断或贝叶斯推断。

在统计学的民间说法中，OLS 往往被认为是参数估计的一种常客方法，因为它没有明确涉及被估计参数的先验分布。但严格来说，OLS 只是一种数学运算，其结果具有频率论和贝叶斯解释。

从频率论者的角度来看，如果通常的线性模型假设成立，则 OLS 参数估计值等于真实参数值加上源自抽样随机性的已知分布误差。这使我们能够提取有关估计值（例如 p 值和置信区间）的信息，这些信息具有理论上的保证，可以限制某些类型的错误归因于随机样本变化的可能性。

从贝叶斯的角度来看，如果通常的线性模型假设成立，OLS 会在统一先验条件下提供最大后验(MAP) 参数估计。后验分布是一个多元高斯分布，在 MAP 估计处有一个峰值，我们可以使用后验来更新我们的先验参数，或者如果我们愿意，可以计算可信区间。

一般来说，常客/贝叶斯的区别充满了如此多的民间内涵和关联，以至于大多数统计方法最终对从业者来说都是一种或另一种。但归根结底，如果这种区分有任何客观意义，那就是关于你如何解释概率，而你选择的参数估计方法并不一定说明你如何解释概率。只有您对参数估计的解释才能确定您（当前）在哪个方面工作。

文字来自：

“普通的最小二乘解......并且 y 是列 n 向量”

表示线性回归的常客方法，通常称为“OLS”。在贝叶斯回归中，参数有先验。经常使用的关于 beta 的 Normal 先验也有一个常客解释：岭回归。