Resumen Técnico: Diseño Experimental Cuando N es Uno

Planteamiento del Problema

Los ensayos N-de-1 (o experimentos de series temporales) implican la aleatorización repetida de las asignaciones de tratamiento para una única unidad experimental a lo largo del tiempo. Aunque son ampliamente utilizados en la investigación clínica y en plataformas en línea, el diseño teóricamente óptimo para estimar diversos efectos de tratamiento sigue sin estar claro. Una dificultad central es que diferentes estimandos objetivo (por ejemplo, efectos específicos de retardo frente a efectos acumulativos) favorecen distintas formas de dependencia temporal en la trayectoria de asignación del tratamiento. La literatura existente suele basarse en enfoques específicos de diseño o en asignaciones independientes, pero falta un marco general que permita apuntar de manera flexible a diferentes efectos proporcionando, al mismo tiempo, garantías de optimalidad. Además, los diseños óptimos para clases específicas de estimandos están pobremente caracterizados.

Metodología

Los autores proponen un marco de Markov para el diseño experimental donde la trayectoria de asignación de tratamiento $Z_1, \dots, Z_T$ se modela como una cadena de Markov gobernada por matrices de transición variantes en el tiempo $P_t$. Los estados corresponden al control ($0$) y al tratamiento ($1$), con probabilidades de transición definidas por los parámetros $\rho_t$ (probabilidad de cambiar de 0 a 1) y $\gamma_t$ (probabilidad de cambiar de 1 a 0).

Para definir el objetivo del diseño, el artículo adopta un modelo de respuesta al impulso de orden finito:
$$Y_t = \alpha + \sum_{k=1}^K \beta_k Z_{t-k+1} + \epsilon_t$$
donde los resultados dependen aditivamente de las asignaciones de tratamiento actuales y pasadas de los últimos $K-1$ periodos. El estimando objetivo es una combinación lineal de los coeficientes de respuesta al impulso, $\tau_w = \sum w_k \beta_k$. El objetivo del diseño es minimizar la varianza de estimación asintótica del estimador de Mínimos Cuadrados Ordinarios (OLS) para $\tau_w$.

Los autores analizan dos subclases estructuradas de diseños de Markov para derivar conocimientos teóricos:

1. Diseños de Cambio Aleatorio (Random-Switch Designs): Caracterizados por probabilidades de transición constantes ($\rho_t = \rho, \gamma_t = \gamma$). El espacio de diseño se reduce a la optimización de las probabilidades de cambio.
2. Diseños de Cambio de Ciclo (Cycle-Switch Designs): Diseños deterministas donde el estado del tratamiento cambia cada $l$ puntos temporales. El espacio de diseño se reduce a la optimización de la longitud del bloque $l$.

La optimización se plantea como un problema minimax (diseño robusto) o un problema dirigido (targeted problem), minimizando la varianza de estimación en el peor de los casos o para un estimando específico, sobre un conjunto de diseños candidatos y estimandos. El análisis teórico se basa en la asintótica de gran-$T$, utilizando las propiedades de las matrices de Kac–Murdock–Szegő (KMS) y los teoremas eródicos para cadenas de Markov.

Principales Contribuciones y Resultados

1. Marco de Diseño General

El artículo establece un marco unificado que abarca los diseños existentes (asignaciones independientes, cambios de ciclo regulares, alternancia determinista) como casos especiales de la asignación de Markov. Proporciona un método fundamentado para controlar la dependencia temporal a través de las probabilidades de transición.

2. Probabilidades de Cambio Óptimas (Diseños de Cambio Aleatorio)

Para la optimización de diseño dirigida (minimizar la varianza para un $w$ específico):

• Efectos específicos de retardo: El diseño óptimo converge a $\rho = \gamma = 1/2$, lo que corresponde a una aleatorización Bernoulli(1/2) i.i.d.
• Efectos acumulativos: La probabilidad de cambio óptima se desplaza hacia el límite ($\rho, \gamma \to 0$), lo que implica periodos largos e ininterrumpidos de tratamiento y de control. Sin embargo, esto conduce a diseños límite mal comportados donde el OLS puede no estar definido.
• Efectos generales: La probabilidad de cambio óptima se determina mediante una ecuación cuadrática que involucra el vector del estimando $w$, equilibrando la compensación entre la variación marginal y la persistencia temporal.

Para la optimización de diseño robusto (minimizar la varianza en el peor de los casos sobre todas las combinaciones lineales normalizadas de efectos de retardo):

• El diseño óptimo es la aleatorización Bernoulli(1/2) i.i.d. ($\rho = \gamma = 1/2$). Esto proporciona una justificación formal para la robustez de las asignaciones independientes en los ensayos N-de-1, consistente con los hallazgos en entornos transversales.

3. Longitudes de Bloque Óptimas (Diseños de Cambio de Ciclo)

Para abordar los casos límite donde los diseños de cambio aleatorio fallan (por ejemplo, efectos acumulativos):

• Efectos acumulativos: La longitud de bloque óptima es aproximadamente $l^* \approx K + \sqrt{K}$. Esto equilibra la necesidad de periodos largos (para capturar efectos acumulativos) contra la inflación de la varianza causada por bloques grandes.
• Efectos específicos de retardo: La longitud de bloque óptima es $l^* = K$. Esto asegura la identificabilidad de todos los efectos de retardo específicos mientras minimiza la varianza.
• Diseños robustos: La longitud de bloque óptima es $l^* = K$. Los bloques más cortos conducen a matrices de covarianza con rango deficiente (no identificabilidad), mientras que los más largos aumentan la varianza linealmente.

4. Simulación y Robustez

Las simulaciones demuestran que:

• Los diseños de cambio aleatorio logran la menor varianza de estimación para los efectos específicos de retardo y se mantienen robustos ante diversas especificaciones del modelo, incluyendo la especificación errónea del modelo (por ejemplo, tendencias temporales no modeladas).
• Los diseños de cambio de ciclo superan a otros diseños para estimar efectos acumulativos en muestras finitas, pero exhiben mayor sesgo bajo ciertas especificaciones erróneas (por ejemplo, tendencias temporales no modeladas).
• Los diseños propuestos generalmente superan a las alternativas de vanguardia, como los experimentos de cambio de ciclo óptimos (ORSB), cuando el estimando objetivo no está puramente centrado en el efecto de arrastre (carryover).

5. Conexión con la Inferencia Basada en el Diseño

El artículo conecta el estimador de OLS basado en el modelo con la inferencia basada en el diseño. Muestra que, bajo diseños de cambio aleatorio, el estimador OLS converge a una proyección lineal de contrastes de resultados condicionales. Bajo aleatorización Bernoulli i.i.d. o resultados potenciales lineales aditivos, este límite coincide con el estimando de efecto de tratamiento de retardo específico estudiado por Lin y Ding [2025], validando la interpretación causal del estimador incluso sin adherirse estrictamente al modelo de respuesta al impulso lineal.

Significado y Reivindicaciones

Los autores afirman que su trabajo proporciona un marco de diseño general que puede apuntar de manera flexible a diferentes efectos de tratamiento ofreciendo, al mismo tiempo, garantías de optimalidad. Al caracterizar la estructura temporal óptima a través de las probabilidades de cambio y las longitudes de bloque, el artículo justifica la robustez de los diseños Bernoulli i.d. para objetivos de retardo específico y robustos, mientras cuantifica cómo los diseños óptimos deben desviarse (por ejemplo, mediante bloques más largos) para efectos acumulativos.

El artículo enfatiza una compensación entre generalidad e interpretabilidad: al adoptar un enfoque basado en modelos (respuesta al impulso), sacrifican cierta generalidad en comparación con los métodos de diseño no paramétricos, pero ganan un marco unificado para la optimización del diseño y una mayor claridad en la interpretabilidad de los estimandos. Los resultados ofrecen orientación práctica para que los experimentadores seleccionen diseños adaptados a sus objetivos científicos específicos (por ejemplo, elegir diseños de cambio de ciclo para efectos acumulativos y diseños de cambio aleatorio para efectos de retardo específico).

Los autores señalan modestamente que, aunque su marco está basado en modelos, este se conecta con la inferencia basada en el diseño bajo condiciones específicas. También identifican la extensión del marco a experimentos de panel (múltiples unidades experimentales) como una dirección prometedora para trabajos futuros.