摘要
小区域估计（SAE）是一种重要的统计工具，用于在因样本量有限而无法直接估计或估计不可靠的分域总体量时，生成可靠的分域层面估计值。尽管传统的基于模型的SAE方法（如Fay–Herriot模型和Battese–Harter–Fuller模型）具有强大的统计特性，但它们无法处理超高维辅助协变量、高度多重共线性或复杂的非线性关系。与此同时，机器学习（ML）算法模型已发展为强大的替代方案，它们放宽了严格的参数假设，以提供卓越的预测性能。本文对在31项已审研究中所探讨的将ML算法整合到SAE领域中的方法进行了全面而批判性的综述。我们提出了一种统一的三层分类体系，将相关文献归类为：(i) 纯预测性机器学习方法，即完全忽略随机随机效应的方法；(ii) 个体水平混合模型的机器学习扩展；以及(iii) 区域水平混合模型的机器学习扩展。利用这一分类体系，我们进行了一项跨方法综合分析，从五个核心支柱维度对这些架构进行评估：结构固定效应设定、随机随机效应配置、不确定性量化、设计一致性和实际可解释性。我们的综合研究揭示了应用研究人员面临的实际权衡问题，并绘制了在不同数据场景下机器学习方法表现最优或面临关键推断挑战（如在小样本区域水平条件下随机效应退化）的映射图。最后，我们确定了三个关键研究空白：个体水平混合模型中缺乏具有调查加权或模型辅助的机器学习方法、处理辅助测量误差的区域水平模型数量稀少，以及当前非参数自助法或保形不确定性量化方法在复杂多阶段调查中存在的脆弱性。我们最后提出了方法论指南，以引导未来研究朝着开发设计有效的非参数SAE框架方向发展。
图形摘要
本综述对31项研究中小区域估计的机器学习整合方法进行了系统分类。通过绘制算法灵活性、实际可解释性和设计一致性之间的结构性权衡关系，提供了一个严格的五支柱决策框架，用于选择有效的非参数模型，以生成可靠的国家以下层面的官方统计数据。
利益冲突声明
作者声明不存在利益冲突。
数据可用性声明
本声明不适用于本文，因为在当前研究期间未生成或分析任何新数据集。所有31篇历史已审论文的完整元数据档案已提供在支持信息中。
