Résumé technique : Un cadre unifié pour la rerandomisation par formes quadratiques

Énoncé du problème

Dans la conception d'expériences aléatoires, assurer l'équilibre des covariables entre les groupes de traitement et de contrôle est crucial pour réduire les erreurs types et augmenter la puissance statistique. Bien que le blocage soit efficace pour les variables catégorielles, il peine face aux covariables continues de grande dimension. La rerandomisation (ré-aléatorisation) répond à ce problème en effectuant des assignations de traitement aléatoires jusqu'à ce qu'un niveau prédéfini d'équilibre des covariables soit atteint.

Historiquement, la plupart des méthodes de rerandomisation reposent sur la distance de Mahalanobis (Morgan et Rubin, 2012), qui utilise une matrice de pondération égale à l'inverse de la matrice de covariance ($\Sigma^{-1}$). Cependant, dans des contextes de grande dimension, la rerandomisation de Mahalanobis applique un pourcentage égal de réduction de variance à toutes les covariables. À mesure que la dimension ($d$) augmente, le terme de réduction de la variance approche 1, rendant la méthode inefficace. Bien que des extensions telles que la rerandomisation par Ridge (Branson et Shao, 2021) et la rerandomisation par PCA (Zhang et al., 2024) tentent d'atténuer cela en privilégiant des vecteurs propres spécifiques, elles nécessitent des paramètres de réglage ou des seuils arbitraires. De plus, les résultats d'optimalité existants supposent souvent la connaissance de la relation entre les covariables et les résultats (par exemple, Liu et al., 2025), ce qui est rarement disponible avant une expérience.

Méthodologie

Les auteurs proposent un cadre unifié où la rerandomisation est définie par une métrique d'équilibre de forme quadratique générale :
$$Q_A(\sqrt{n}\hat{\tau}_X) = (\sqrt{n}\hat{\tau}_X)^T A (\sqrt{n}\hat{\tau}_X)$$
où $\hat{\tau}_X$ est le vecteur des différences de moyennes des covariables, et $A$ est une matrice fixe, non nulle et semi-définie positive ($A \in S^d_+$).

L'article dérive des résultats théoriques généraux pour tout schéma de ce type sous le cadre des potentiels résultats (potential outcomes), en conditionnant sur des covariables $X$ et des potentiels résultats fixes. L'analyse repose sur deux conditions :

1. Condition 1 : Les variances et covariances de population finie des résultats et des covariables sont bien définies et possèdent des valeurs limites.
2. Condition 2 : Le critère de rerandomisation est symétrique par rapport à l'assignation de traitement et place une probabilité non nulle sur certaines assignations.

Les auteurs utilisent la structure propre de la matrice de covariance des différences de moyennes des covariables ($\Sigma$) et de la matrice $\Sigma^{1/2}A\Sigma^{1/2}$ pour caractériser la distribution asymptotique de l'estimateur rerandomisé.

Principales contributions

1. Résultats théoriques généraux

Les auteurs dérivent la covariance asymptotique des différences de moyennes des covariables sous toute forme quadratique de rerandomisation (Théorème 1). Ils démontrent que la matrice de covariance est pivotée et mise à l'échelle par des facteurs de réduction de variance $\nu_{j,\eta}$, qui dépendent des valeurs propres de $\Sigma^{1/2}A\Sigma^{1/2}$. Ce cadre permet la redérivation rapide des propriétés des méthodes existantes (Mahalanobis, Ridge, PCA) et l'analyse de nouveaux schémas.

2. Optimalité pour l'équilibre des covariables (sans information sur le résultat)

L'article établit des choix optimaux pour $A$ basés uniquement sur les propriétés des covariables, sans nécessiter la connaissance de la relation avec le résultat ($\beta$) :

• Minimisation de la norme de Frobenius : La distance euclidienne ($A = I_d$) minimise la norme de Frobenius de la matrice de covariance des différences de moyennes des covariables (Théorème 2). Cela garantit que toutes les directions de variation ont une magnitude égale après la rerandomisation.
• Maximisation de la réduction totale de la variance : La distance de Mahalanobis ($A = \Sigma^{-1}$) maximise la réduction totale de la variance à travers tous les composantes principales (Théorème 3).

3. Optimalité pour l'estimation de l'effet de traitement moyen (ATE)

Les auteurs lient le choix de $A$ à la variance de l'estimateur de la différence de moyennes ($\hat{\tau}$).

• Optimalité Oracle : Si la relation entre les covariables et les résultats ($\beta$) était connue, la matrice optimale serait $A^* = \beta\beta^T$ (Théorème 5). Cela pondère les différences de moyennes des covariables par leur pouvoir prédictif pour le résultat.
• Optimalité Minimax : Puisque $\beta$ est généralement inconnu, les auteurs prouvent que la rerandomisation Euclidienne ($A = I_d$) est minimax optimale (Théorème 6). En d'autres termes, la précision de l'estimateur n'est jamais "trop éloignée" du choix optimal, quel que soit le véritable rapport entre les covariables et les résultats. Cela fait de la rerandomisation Euclidienne un choix robuste et "sûr" lorsque l'information sur le résultat est indisponible.

4. Règles de sélection des composantes principales

L'article étend le cadre à la sélection des $k$ premières composantes principales. Il dérive une règle de décision coût-bénéfice (Équation 8) pour choisir $k$ lorsque $\beta$ est inconnu, ce qui équilibre le gain de réduction de la variance sur les composantes supérieures et la perte de réduction sur les composantes écartées. Cela est appelé la règle des valeurs propres pondérées (Weighted Eigenvalue rule).

Résultats

Étude de simulation

Les auteurs ont mené des simulations à travers diverses dimensions ($d$) et distributions de valeurs propres (parcimonieuses, moyennes, uniformes) avec différentes relations entre les composantes principales et les résultats :

• Valeurs propres parcimonieuses : Lorsque les valeurs propres sont parcimonieuses et que les résultats dépendent des composantes principales inférieures, la rerandomisation de Mahalanobis surpasse les autres. Cependant, si les résultats dépendent des composantes principales supérieures, Mahalanobis performe mal.
• Robustesse : La rerandomisation Euclidienne a systématiquement fourni la deuxième meilleure réduction de variance dans tous les contextes et était la meilleure pour contraindre la matrice de covariance. Elle a démontré une robustesse supérieure à celle de Mahalanobis, qui souffrait considérablement dans les contextes où ses hypothèses (pondération égale) étaient mal alignées avec la structure du résultat.
• Euclidien au carré : Définir $A = \Sigma$ (Euclidien au carré) surpondère les valeurs propres supérieures et a bien fonctionné lorsque les composantes supérieures étaient prédictives, mais manquait de la robustesse de la rerandomisation euclidienne standard.

Application à des données réelles

En utilisant un essai contrôlé randomisé sur le mentorat de adolescents allemands ($n=308, d=21$), les auteurs ont construit des potentiels résultats synthétiques non linéaires et non additifs.

• Résultats : Les valeurs propres des covariables étaient relativement uniformes. Dans ce contexte, toutes les méthodes ont performé de manière similaire, mais la rerandomisation Euclidienne a produit la variance la plus faible (0,565 par rapport à une randomisation complète), suivie de près par l'Euclidien au carré (0,576).
• Implication : Les résultats concordent avec l'affirmation théorique selon laquelle la rerandomisation euclidienne est minimax optimale et robuste, particulièrement lorsque la structure propre ne favorise pas fortement un sous-ensemble spécifique de composantes.

Signification et revendications

L'article affirme fournir un cadre théorique général qui unifie les méthodes de rerandomisation existantes sous l'égide des formes quadratiques. Sa principale importance réside dans :

1. Orientation pratique : Il offre des conseils clairs, fondés sur la théorie, aux praticiens sur la manière de choisir la matrice $A$ lorsque l'information sur le résultat est indisponible. Plus précisément, il préconise la rerandomisation Euclidienne comme une stratégie minimax optimale qui évite les pièges de la distance de Mahalanobis de grande dimension tout en maintenant la robustesse.
2. Pont entre théorie et pratique : Il comble une lacune dans la littérature en dérivant des résultats d'optimalité qui ne dépendent pas de la connaissance préalable de la relation entre le résultat et la covariable, une limite commune des travaux précédents (par exemple, Liu et al., 2025).
3. Expansion méthodologique : Il démontre que le choix de $A$ dicte la structure propre de la matrice de covariance résultante, permettant aux chercheurs d'adapter les stratégies de rerandomisation (par exemple, via l'Euclidien au carré ou les règles PCA) en fonction de la structure propre spécifique de leurs données et de leurs croyances a priori sur les relations avec les résultats.

Les auteurs restent modestes, notant que leurs résultats s'appliquent spécifiquement aux schémas de rerandomisation exprimables sous forme quadratique et n'excluent pas nécessairement la supériorité de stratégies d'allocation non quadratiques (par exemple, l'allocation par noyau). Ils suggèrent que les travaux futurs pourraient étendre ces cadres aux expériences à plusieurs bras et aux conceptions séquentielles.