📊 statistics

Regression Adjustments for Double Randomization in Two-Sided Marketplaces

Ce papier propose et analyse des stratégies d'ajustement par régression optimales et robustes pour estimer les effets directs, de débordement et totaux dans les expériences de double randomisation des marchés à deux faces, démontrant ainsi une efficacité supérieure par rapport aux approches classiques.

Auteurs originaux : Timothy Sudijono, Lihua Lei, Lorenzo Masoero, Suhas Vijaykumar, Guido Imbens, James McQueen

Publié 2026-03-23

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Timothy Sudijono, Lihua Lei, Lorenzo Masoero, Suhas Vijaykumar, Guido Imbens, James McQueen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous gérez une immense place de marché en ligne, comme un supermarché géant où des millions d'acheteurs rencontrent des millions de vendeurs. Vous voulez tester une nouvelle fonctionnalité (par exemple, un bouton "Achat en 1 clic" ou une réduction spéciale) pour voir si elle augmente les ventes.

Dans le monde classique, on ferait un test A/B simple : on montre la nouvelle fonction à 50 % des gens et on la cache aux 50 % restants. Mais dans une place de marché à deux faces (acheteurs ET vendeurs), c'est beaucoup plus compliqué.

Le problème : L'effet de "boule de neige" (Interférence)
Si vous changez quelque chose pour un vendeur, cela affecte non seulement ses ventes, mais aussi l'expérience des acheteurs qui fréquentent ce vendeur. Et si vous changez quelque chose pour un acheteur, cela affecte tous les vendeurs qu'il rencontre. C'est comme si vous jetiez une pierre dans un étang : les vagues ne touchent pas seulement le point d'impact, mais toute la surface de l'eau.

Les chercheurs de ce papier (Timothy Sudijono et son équipe) ont développé une méthode spéciale, appelée MRD (Multiple Randomization Designs), pour gérer ce chaos. Au lieu de tester sur des individus isolés, ils testent sur des paires "Acheteur-Vendeur" en randomisant à la fois les acheteurs ET les vendeurs.

Le défi : Comment être plus précis ?
Même avec cette méthode ingénieuse, les résultats peuvent être "bruyants" (peu précis), surtout si le marché est déséquilibré (peu de vendeurs, beaucoup d'acheteurs, ou l'inverse). C'est là qu'intervient l'idée de régression (ou ajustement).

Imaginez que vous essayez de prédire la météo. Si vous regardez juste la température d'hier, vous avez une idée. Mais si vous ajoutez aussi l'humidité, la pression et le vent, votre prédiction sera bien meilleure. En statistiques, on appelle cela utiliser des "covariables" (des données historiques) pour affiner le résultat.

La découverte surprenante du papier
Jusqu'à présent, les statisticiens utilisaient une méthode standard (comme une recette de cuisine bien connue) pour ajouter ces données historiques. Les auteurs de ce papier ont découvert que :

La recette standard peut parfois empirer les choses : Dans certains cas, utiliser la méthode habituelle rend le résultat moins précis que de ne rien faire du tout ! C'est comme essayer de régler une radio avec un tournevis : ça peut créer plus de bruit au lieu de clarifier le son.
Il existe une "recette magique" optimale : Ils ont trouvé une nouvelle façon mathématique de combiner les données. Cette méthode est "intelligente" : elle donne plus de poids aux groupes de données qui sont rares ou difficiles à mesurer (comme un petit groupe de vendeurs spécialisés) et moins de poids aux groupes énormes et faciles à prédire.

L'analogie du Chef Cuisinier
Imaginez que vous êtes un chef qui doit évaluer l'efficacité d'un nouveau plat.

La méthode ancienne (ANCOVA) : Vous goûtez le plat et vous ajustez votre note en fonction de la température de la cuisine. C'est simple, mais si la cuisine est très chaude ou très froide de manière imprévisible, votre ajustement peut vous tromper.
La méthode du papier (Ajustement Optimal) : Vous devenez un chef de génie. Vous savez exactement comment la température, l'humidité et la pression affectent chaque ingrédient individuellement. Vous ajustez votre note en donnant plus d'importance aux ingrédients rares (comme le safran) et moins aux ingrédients communs (comme le sel). Résultat : votre note finale est beaucoup plus fiable, même si la cuisine est un peu chaotique.

Pourquoi c'est important ?
Grâce à cette nouvelle méthode :

Les entreprises peuvent tester des idées plus petites et plus subtiles sans avoir besoin de millions d'utilisateurs pour obtenir un résultat clair.
Ils font des économies d'argent et de temps.
Ils évitent de prendre de mauvaises décisions basées sur des données "floues".

En résumé
Ce papier dit essentiellement : "Quand on teste des choses dans un marché complexe où tout le monde interagit avec tout le monde, la méthode standard pour analyser les données n'est pas toujours la meilleure. Nous avons créé une nouvelle méthode mathématique, plus intelligente et plus robuste, qui utilise les données passées pour obtenir des résultats beaucoup plus précis, sans avoir besoin de faire des hypothèses simplistes sur la réalité."

C'est comme passer d'une boussole magnétique simple à un GPS satellite pour naviguer dans un océan de données : vous arrivez à destination plus vite et avec beaucoup plus de certitude.

1. Problématique et Contexte

Contexte : Les marchés à deux faces (plateformes connectant acheteurs et vendeurs, créateurs et annonceurs, etc.) sont omniprésents dans l'économie numérique. L'évaluation de l'impact des interventions (tests A/B) y est complexe en raison des interférences (ou effets de débordement) : le résultat d'une paire acheteur-vendeur dépend non seulement de son propre traitement, mais aussi du traitement des autres paires avec lesquelles elle interagit.

Défi : Les designs expérimentaux standards échouent souvent dans ces contextes. Les Conceptions à Randomisation Multiple (MRD - Multiple Randomization Designs) ont été proposées pour gérer ces interférences en randomisant indépendamment les unités d'un côté (acheteurs) et de l'autre (vendeurs). Cependant, un maillon manquant dans le cadre théorique existant des MRD est l'utilisation de covariables (ajustements de régression) pour améliorer la précision des estimateurs. Les méthodes classiques (comme l'ANCOVA ou CUPED) peuvent, dans certains cas d'expériences déséquilibrées, dégrader la variance asymptotique au lieu de l'améliorer.

Objectif : Développer des stratégies d'ajustement par régression optimales pour les MRD afin d'estimer les effets totaux, directs et de débordement (spillovers) avec une efficacité maximale, sans faire d'hypothèses structurelles fortes sur les résultats potentiels (approche "model-robust").

2. Méthodologie

Les auteurs proposent une approche basée sur le cadre des populations finies, où les résultats potentiels sont fixes et seule la randomisation introduit de l'aléatoire.

A. Estimateurs d'Imputation

L'article se concentre sur une classe d'estimateurs appelés estimateurs d'imputation non-interagis :
$\hat{\tau}_c(\beta) = \sum_{\gamma \in \Gamma} c_\gamma \frac{1}{I_\gamma J_\gamma} \sum_{(i,j) \in \gamma} (y_{ij} - X_{ij}^\top \beta)$
où $\Gamma = \{tr, ib, is, cc\}$ représente les quatre groupes de traitement (traité/traité, traité/contrôle, contrôle/traité, contrôle/contrôle), $X_{ij}$ sont les covariables, et $\beta$ est un vecteur de coefficients à optimiser.

B. Optimisation de la Régression

Contrairement à la régression OLS standard (ANCOVA) qui minimise la somme des carrés des résidus, les auteurs dérivent le coefficient $\beta$ qui minimise directement la variance asymptotique de l'estimateur $\hat{\tau}_c(\beta)$ .

Formule de la variance : La variance est exprimée comme une forme quadratique en $\beta$ : $Var(\hat{\tau}_c(\beta)) = \beta^\top Z \beta - 2u^\top \beta + C$ .
Solution optimale : Le coefficient optimal théorique est $\tilde{\beta}_c = Z^{-1}u$ .
Estimabilité : Un résultat clé est que les quantités $Z$ et $u$ , qui dépendent a priori de résultats potentiels non observables, peuvent être estimées de manière cohérente à partir des données observées. Cela permet de construire un estimateur "plug-in" $\hat{\beta}_c$ .

C. Cas Particuliers et Interprétations

Effet Direct : Pour l'estimation de l'effet direct, l'ajustement optimal correspond à une régression pondérée à effets fixes bidirectionnels interactifs (Weighted TWFE). Les poids sont inversement proportionnels à la taille des groupes ( $1/I_\gamma^2 J_\gamma^2$ ), rappelant la régression "Tyranny of the Minority" (ToM) des expériences transversales.
Effets de Débordement et Totaux : Pour ces effets, la forme de l'ajustement optimal est plus complexe et ne se réduit pas toujours à une forme de régression simple, bien qu'elle soit toujours estimable.

D. Théorie Asymptotique Améliorée

Les auteurs développent de nouveaux outils théoriques pour les MRD :

Un Théorème Central Limite (CLT) pour les sommes doublement randomisées, établi en distance de Wasserstein ( $L_1$ ), utilisant la méthode de Stein et des outils de concentration pour l'échantillonnage sans remise.
Ce CLT fonctionne dans des régimes de variance où les résultats précédents (Masoero et al., 2024) ne s'appliquaient pas (notamment lorsque la variance décroît plus vite que $O(1/I + 1/J)$ ).
Preuve de la cohérence de l'estimateur de variance conservateur utilisé pour l'inférence.

3. Contributions Clés

Ajustements Optimaux Estimables : Dérivation de coefficients de régression optimaux pour les MRD qui minimisent la variance asymptotique, sans hypothèse de linéarité du modèle de résultats. Ces coefficients sont estimables à partir des données.
Principe "No-Harm" (Sans Préjudice) : Les estimateurs ajustés optimaux sont garantis d'être au moins aussi efficaces que les estimateurs non ajustés ou l'ANCOVA standard. Dans les expériences déséquilibrées, l'ANCOVA peut augmenter la variance, tandis que la méthode proposée l'optimise toujours.
Inférence Robuste : Établissement de la normalité asymptotique et construction d'intervalles de confiance conservateurs valides pour les estimateurs ajustés.
Nouveaux Outils Théoriques pour les MRD : Amélioration significative de la théorie des MRD, notamment un CLT plus général qui s'applique à des régimes de scalabilité variés (y compris des matrices creuses ou à variance faible).

4. Résultats et Simulations

Les auteurs valident leurs résultats par des simulations numériques :

Gain d'Efficacité : Dans divers scénarios (données synthétiques normales et modèle réaliste de marché de créateurs/annonceurs), l'estimateur optimal ("Opt") surpasse systématiquement l'estimateur non ajusté et l'ANCOVA.
Cas Déséquilibrés : Lorsque le ratio de traitement est faible (ex: 10% de traitement), l'ANCOVA peut avoir une variance supérieure à celle de l'estimateur non ajusté (confirmant les craintes de Freedman), tandis que la méthode optimale maintient une variance minimale.
Intervalle de Confiance : Les intervalles de confiance basés sur la méthode optimale sont significativement plus courts que ceux de l'ANCOVA tout en maintenant une couverture correcte (conservatrice).
Comparaison avec les méthodes interactées : Pour l'effet total, l'ajustement interacté optimal est plus efficace que la régression Lin (OLS séparée par groupe), bien que la régression Lin puisse être légèrement meilleure en très petits échantillons si un groupe est très petit.

5. Signification et Impact

Cet article comble un vide théorique et pratique majeur dans l'expérimentation sur les marchés à deux faces :

Pratique : Il fournit aux praticiens (ex: Amazon, où les auteurs sont affiliés) une méthode robuste pour analyser des expériences MRD en utilisant des covariables pré-expérimentales, permettant de détecter des effets plus faibles avec moins de données.
Théorique : Il généralise les résultats de Lin (2013) et Freedman (2008) sur les ajustements de régression au contexte complexe des interférences et de la double randomisation. Il démontre que l'intuition des expériences transversales (A/B tests) ne se transpose pas directement et nécessite des ajustements spécifiques (poids, structure des effets fixes).
Robustesse : En évitant les hypothèses de modèles linéaires corrects, la méthode garantit une inférence valide même si le modèle de régression est mal spécifié, ce qui est crucial pour des données de marché complexes.

En résumé, ce travail transforme les MRD d'un outil théorique complexe en une méthode expérimentale pratique et puissante pour l'industrie, en résolvant le problème de la faible puissance statistique souvent rencontrée dans ces designs grâce à une optimisation rigoureuse des ajustements de régression.