在调查抽样中，人们通常对计划外领域（或小区域）感兴趣，这些领域的样本量可能太小，无法进行准确的基于设计的推断。为了通过借鉴类似领域的优势来改进直接估计，大多数小面积方法都依赖于混合效应回归模型。

这一贡献在贝叶斯方法的两个方向上扩展了众所周知的Fay–Herriot模型（Fay和Herrior，1979）。首先，随机效应的默认正态性假设被使用Dirichlet过程的非参数规范所取代。其次，明确引入了方差的不确定性，认识到它们实际上是根据调查数据估计的。该方法缩小了方差和均值，并考虑了所有不确定性来源。对随机效应采用灵活的模型可以容纳异常值，并通过识别地方的可交换性假设成立的街区。通过对真实数据和模拟数据的应用，我们研究了在不同分布假设下，该模型在预测领域平均值方面的性能。我们还侧重于为区域手段构建可信区间，这是文献中较少关注的一个主题。研究了均方预测误差（MSPE）、覆盖率和区间长度等常见性质。所进行的实验似乎表明，与竞争方法相比，该模型下的推断具有较小的均方误差；可靠区间的频率覆盖率接近标称值。