在古典假设成立的条件下，使用普通最小二乘法（OLS）估计线性回归模型参数，参数估计量具有以下统计性质：

- **无偏性**：OLS估计量是无偏的，这意味着估计量的期望值等于真实参数值。在所有样本中，平均起来，估计量能够准确地反映真实的参数值。

- **线性特性**：OLS估计量是关于观测数据的线性函数。

- **最小方差特性（效率）**：在满足古典线性回归模型假设条件下，OLS估计量是线性无偏估计量中具有最小方差的。这就是所谓的Gauss-Markov定理所表述的特性，意味着在所有线性无偏估计量中，OLS估计量的方差是最小的。

- **一致性**：当样本量趋于无穷大时，OLS估计量会收敛到真实参数值。

结合这几点，我们可以判断：

- **A:有偏特性**：不正确，OLS在经典假设下是无偏的。
- **B:非线性特性**：不正确，OLS估计是线性的。
- **C:最小方差特性**：正确，在所有线性无偏估计量中，OLS具有最小的方差。
- **D:非一致特性**：不正确，OLS估计量在样本量增大时是一致的。

因此，正确答案是 **C: 最小方差特性**。