线性回归模型中，通过最小化真实值和预测值之间偏差平方和的参数估计方法是最小二乘法

正确答案是 B: 最小二乘法。

专业分析：
在多元线性回归模型中，我们希望找到一组参数，使得模型的预测值尽可能接近真实值。最小二乘法（Least Squares Method）是一种通过最小化真实值和预测值之间的平方误差和（Sum of Squared Errors, SSE）来求解模型参数的方法。

具体来说，最小二乘法的目标是最小化以下目标函数：
\[ SSE = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 \]
其中，\( y_i \) 是第 \( i \) 个观测值的真实值，\( \hat{y}_i \) 是第 \( i \) 个观测值的预测值。

最小二乘法通过求解这个目标函数的最小值，找到最佳的模型参数，使得预测值与真实值之间的差异最小。因此，选项 B: 最小二乘法 是正确的答案。

其他选项的解释：
A: 梯度下降法是一种优化算法，通过迭代地调整参数来最小化目标函数，但它并不是专门针对最小化 SSE 的方法。
C: 拟牛顿法是一种用于优化的数值方法，通常用于求解非线性优化问题。
D: 坐标下降法是一种优化技术，通过逐步优化每一个参数来最小化目标函数，但它也不是专门针对最小化 SSE 的方法。