本书的研究意义在于以下几个方面。首先，从小域估计的测度方法出发，在存在数据缺失、样本容量较小、无数据可用或只有局部数据的时候，对贫困指标进行测度，在估计出相应指标的基础上结合贝叶斯统计方法探讨如何采用基于模型的小域估计方法缩小误差，提高估计的精度。其次，小域估计方法可以节省大量的人力物力，而且可以经常进行调查活动，有利于监测贫困状况的动态变化。最后，与模拟实验结合，小域估计测度方法也可以推广到估测各种其他小域的数值，如泰尔指数和基尼系数等。本书通过将小域估计方法的估计值产生的偏差和均方误差与直接估计的方法进行对比研究，证明经验贝叶斯方法也是适用的。

在阿马蒂亚?森的理论和贫困指标体系出现之前，对贫困的测度是比较简单和直观的，而且也一直没能形成系统的评价体系，当时评价贫困的指标比较单一，较早反映收入分配公平程度的指标是基尼系数，是20世纪初意大利学者科拉多?基尼根据洛伦茨曲线所定义的判断收入分配公平程度的指标。森提出了贫困度量的核心公理。森认为的贫困度量方法应该满足单调性公理、弱传递性公理和核心公理。其思想简要叙述如下。单调性公理即在其他条件不变的情况下，贫困线以下的某个人的收入减少，必然意味着贫困度量值的增加。弱传递性公理即财富从一个较富的人向一个穷人转移，而且收入转移后二者都不跨越贫困线，那么贫困度量值必然会变小。核心公理是基于如下观点提出的，即贫困的度量是穷人的事，而不是整个国家的普遍性贫困，它不能反映相对贫困状况，即要消除穷人的收入缺口需要多大比例的富人收入转移，因为即使穷人仍像原来一样贫困，当富人变得更富有时，要消除穷人的收入缺口需要富人转移收入的比例就会变小。

建立在FGT模型基础上的贫困指数在森贫困指数的基础上进行了改进，并且发展了森的理论。主要体现在三个方面：（1）按人口份额权重进行分解，即满足可分解性，改变了原来森指数不能分解度量的问题；（2）满足单调性、传递性和传递敏感性公理；（3）相互传递贫困的思想是合理的。 ELL贫困指标测度方法,ELL方法是基于家庭数据对贫困指标进行测度，主要通过建立消费模型对家庭消费函数进行分解，然后通过辅助可分离的家庭贫困率函数来测算贫困指标的大小。该方法是基于当时的理论进展，将收入和财富的分布情况重又拉回到增长与发展理论的显著位置，成为社会经济特定成果的决定因素之一。

小域估计方法按照模型统计推断的依据，可分为基于设计的方法和基于模型的方法。基于设计的方法的统计推断建立在随机化分布的基础上，因而与抽样方法有关。基于模型的方法则将样本看作相互独立的随机变量的观察值，因而与抽样方法无关。基于设计的方法和基于模型的方法的共同特征是，它们须借助辅助变量的信息来构建估计模型。辅助变量的信息可以通过大型调查或者一些行政记录获得。

在这一部分，我们简单地讨论一下常用的三个模型，小域估计的最近发展基本是和这些模型相关的，或者是它们的外推。假定适用于样本数据的模型和总体的模型是相同的，以便没有样本选择偏差。选择抽样域的信息或选择抽样域内的抽样信息，要凭借相关变量的样本选择或响应概率进行，即便是考虑了模型协变量的条件后也是如此。需要注意的是一般情况下，样本模型不同于总体模型。

自新中国成立后就实行的二元分治的政策，导致城镇与农村在经济、文化、医疗卫生等方面存在很大的差距。这种局面很大程度是固有的政治结构造成的。改革开放以后，城镇经济和农村经济都得到大力发展，但国家的优惠政策大多给了城镇，尤其是东南沿海的城镇。再加上农村经济自身的脆弱性，导致这种差距到现在依然存在，甚至在某些地区还有拉大的趋势。尽管农村的贫困问题得到很大的改善，但与城镇相比，解决贫困问题依然任重道远，农村经济的脆弱性导致一部分脱离贫困的人一旦遭遇经济风险，极易重新陷入贫困的境地。

随着云计算、物联网、移动终端等信息技术的广泛应用，人类社会产生的数据量呈指数增长（达到PB级），尤其是数据采集和处理能力的显著提升，引致了大数据时代的来临。精准扶贫背景下，大数据在贫困指标测度方面发挥着重要作用。

在本书中，我们采用经验贝叶斯方法来估测小域条件下的贫困指标。采用参数自举的方法来获取均方误差的估计值。模拟实验的结论显示经验贝叶斯方法的估计值要优于直接估计值和ELL方法估计值。