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，我们通常希望找到一组参数，使得模型的预测值与真实值之间的误差最小。这个误差通常通过SSE（Sum of Squared Errors，即误差平方和）来衡量。最小二乘法（Least Squares Method）就是通过最小化SSE来求解回归模型参数的方法。

最小二乘法的基本思想是选择一组参数，使得所有数据点的预测值与真实值之间的平方误差和最小化。具体来说，假设有n个观测值，每个观测值有一个真实值\( y_i \)和对应的预测值\( \hat{y}_i \)，则SSE定义为：
\[ \text{SSE} = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 \]

最小二乘法通过求解使得SSE最小的参数来实现这一目标。通过对参数求导并设导数为零，可以得到一组线性方程组，解这个方程组就能得到最优参数。

其他选项的解释：
A: 梯度下降法是一种优化算法，可以用于最小化任意可微函数，包括SSE，但它不是特指用于线性回归的最小二乘法。
C: 拟牛顿法是一种用于优化的迭代算法，通常用于非线性问题的优化，但在多元线性回归中并不常用。
D: 坐标下降法是一种优化算法，通过逐个优化各个参数来最小化目标函数，但它也不是特指用于线性回归的最小二乘法。

因此，最小二乘法是通过最小化SSE来求解多元线性回归模型参数的正确方法。