標本調査では，調査区全体からデータがとられ全体の母集団特性が調べら れる。同じデータを用いて市町村レベルの母集団特性を求めようとすると，市町村 によっては取られたデータが少ないため標本平均などの推定値は推定誤差が大きく なってしまうという問題が生ずる。これを小地域問題といい，注目している地域（市 町村）の周辺地域からデータを上手に取り込むことによって推定精度を高めること ができる。そのための代表的なモデルが線形混合モデルであり，そこから導かれる 経験最良線形予測量が小地域問題を解決する手法になっている。本稿では，線形混合 モデルを利用した小地域推定について解説する。特に，線形混合モデルのもつ（共 通母数）＋（変量効果）という構造が推定精度を高めるためにどのように働くのか について説明し，実際どの程度誤差が抑えられているのかに関して平均２乗誤差の 推定と信頼区間の構成についてまとめる。最後に，空間データ等を分析するための 様々なモデリングの方法を紹介し，一般化線形混合モデルと死亡率推定への応用に ついても説明する。

Sample survey data can be used to derive a reliable estimate of a total mean for a large area. When the same data are used to estimate means of small areas like city, county or town belonging to the large area, the usual direct estimators like the sample mean have unacceptably large standard errors due to the small sizes of the samples in the small areas. This is called a small area problem. To find more accurate estimates for given small areas, one needs to "borrow strength" from the related areas. The linear mixed model (LMM) is recognized as an appropriate model for handling such a problem, and the resulting empirical best linear unbiased predictor (EBLUP) can yield a smaller standard error. This article gives a review of the small area estimation based on LMM. Especially, the article explains how the structure of (common parameters)+(random effects) in LMM works to get accurate estimates. The estimators of the mean squared errors of EBLUP and the confidence interval based on EBLUP are derived to evaluate accuracy of EBLUP. Finally, some generalizations and various variants of LMM are described for analyzing spatial data, and the generalized linear mixed model (GLMM) and its application to estimation of mortality rates are explained.