तकनीकी सारांश: जब N का मान एक हो (Experimental Design When N Equals One)

समस्या विवरण (Problem Statement)

N-of-1 परीक्षणों (या टाइम-सीरीज प्रयोगों) में एक ही प्रयोगात्मक इकाई के लिए समय के साथ उपचार असाइनमेंट (treatment assignments) का बार-बार रैंडमाइजेशन शामिल होता है। हालांकि ये क्लिनिकल रिसर्च और ऑनलाइन प्लेटफॉर्म्स में व्यापक रूप से उपयोग किए जाते हैं, विभिन्न उपचार प्रभावों (treatment effects) के अनुमान के लिए सैद्धांतिक रूप से इष्टतम डिज़ाइन अभी भी स्पष्ट नहीं है। एक केंद्रीय कठिनाई यह है कि विभिन्न लक्षित एस्टिमेंड्स (जैसे, लैग-विशिष्ट प्रभाव बनाम संचयी प्रभाव) उपचार असाइनमेंट पथ के लिए अलग-अलग प्रकार की टेम्पोरल डिपेंडेंस (temporal dependence) को प्राथमिकता देते हैं। मौजूदा साहित्य अक्सर विशिष्ट डिज़ाइन-आधारित दृष्टिकोणों या स्वतंत्र असाइनमेंट पर निर्भर करता है, लेकिन एक सामान्य ढांचा जो विभिन्न प्रभावों को लचीले ढंग से लक्षित कर सके और अनुकूलता गारंटी (optimality guarantees) प्रदान कर सके, उसका अभाव है। इसके अलावा, विशिष्ट एस्टिमेंड्स के लिए, विशेष रूप से एस्टिमेंड्स के वर्गों के लिए, इष्टतम डिज़ाइनों का लक्षण वर्णन बहुत कम किया गया है।

कार्यप्रणाली (Methodology)

लेखक प्रयोगात्मक डिज़ाइन के लिए एक मार्कोवियन ढांचे (Markovian framework) का प्रस्ताव करते हैं जहाँ उपचार असाइनमेंट पथ $Z_1, \dots, Z_T$ को समय-परिवर्तनीय ट्रांजिशन मैट्रिसेस (transition matrices) $P_t$ द्वारा नियंत्रित एक मार्कोव चेन के रूप में मॉडल किया जाता है। अवस्थाएं (states) कंट्रोल ($0$) और ट्रीटमेंट ($1$) के अनुरूप होती हैं, जहाँ ट्रांजिशन प्रोबेबिलिटीज को$\rho_t$(0 से 1 में स्विच करने की संभावना) और$\gamma_t$ (1 से 0 में स्विच करने की संभावना) द्वारा परिभाषित किया जाता है।

डिज़ाइन ऑब्जेक्टिव को परिभाषित करने के लिए, पेपर एक फाइनाइट-ऑर्डर इम्पल्स-रिस्पॉन्स मॉडल (finite-order impulse-response model) को अपनाता है:
$$Y_t = \alpha + \sum_{k=1}^K \beta_k Z_{t-k+1} + \epsilon_t$$
जहाँ परिणाम वर्तमान और पिछले $K-1$ उपचार असाइनमेंट पर योगात्मक (additively) रूप से निर्भर करते हैं। लक्षित एस्टिमेंड इम्पल्स-रिस्पॉन्स गुणांकों का एक लीनियर कॉम्बिनेशन है, $\tau_w = \sum w_k \beta_k$। डिज़ाइन का उद्देश्य $\tau_w$ के ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) एस्टिमेटर के एसिम्प्टोटिक एस्टिमेशन वेरिएंस (asymptotic estimation variance) को न्यूनतम करना है।

लेखक दो संरचित उप-वर्गों (subclasses) का विश्लेषण करते हैं:

1. रैंडम-स्विच डिज़ाइन्स (Random-Switch Designs): स्थिर ट्रांजिशन प्रोबेबिलिटीज ($\rho_t = \rho, \gamma_t = \gamma$) द्वारा अभिलक्षित। यहाँ डिज़ाइन स्पेस को स्विचिंग प्रोबेबिलिटीज को अनुकूलित करके कम किया जाता है।
2. साइकिल-स्विच डिज़ाइन्स (Cycle-Switch Designs): नियत (deterministic) डिज़ाइन जहाँ उपचार की स्थिति प्रत्येक $l$ समय बिंदुओं के बाद बदल जाती है। यहाँ डिज़ाइन स्पेस को ब्लॉक लेंथ $l$ को अनुकूलित करके कम किया जाता है।

अनुकूलन (optimization) को एक मिनिमैक्स समस्या (minimax problem) (रोबस्ट डिज़ाइन) या एक टारगेटेड समस्या के रूप में फ्रेम किया गया है, जो उम्मीदवार डिज़ाइनों और एस्टिमेंड्स के सेट पर सबसे खराब स्थिति (worst-case) या विशिष्ट एस्टिमेशन वेरिएंस को न्यूनतम करता है। सैद्धांतिक विश्लेषण बड़े-$T$ एसिम्प्टोटिक्स (large-$T$ asymptotics) पर निर्भर करता है, जिसमें Kac–Murdock–Szegő (KMS) मैट्रिसेस के गुण और मार्कोव चेन के एर्गोडिक थ्योरम का उपयोग किया गया है।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. सामान्य डिज़ाइन ढांचा (General Design Framework)

यह पेपर एक एकीकृत ढांचे को स्थापित करता है जो मार्कोवियन असाइनमेंट के विशेष मामलों के रूप में मौजूदा डिज़ाइनों (स्वतंत्र असाइनमेंट, रेगुलर स्विचबैक, डिटर्मिनिस्टिक अल्टरनेशन) को समाहित करता है। यह ट्रांजिशन प्रोबेबिलिटीज के माध्यम से टेम्पोरल डिपेंडेंस को नियंत्रित करने के लिए एक सिद्धांतपूर्ण तरीका प्रदान करता है।

2. इष्टतम स्विचिंग प्रोबेबिलिटीज (रैंडम-स्विच डिज़ाइन्स)

लक्षित डिज़ाइन ऑप्टिमाइजेशन के लिए (एक विशिष्ट $w$ के लिए वेरिएंस को न्यूनतम करना):

• लैग-विशिष्ट प्रभाव (Lag-specific effects): इष्टतम डिज़ाइन $\rho = \gamma = 1/2$ की ओर अभिसरित होता है, जो i.i.d. Bernoulli(1/2) रैंडमाइजेशन के अनुरूप है।
• संचयी प्रभाव (Cumulative effects): इष्टतम स्विचिंग प्रोबेबिलिटीिटी सीमा की ओर बढ़ती है ($\rho, \gamma \to 0$), जिसका अर्थ है उपचार और कंट्रोल के लंबे, निर्बाध काल। हालाँकि, यह खराब व्यवहार वाले लिमिटिंग डिज़ाइन्स की ओर ले जाता है जहाँ OLS अपरिभाषित हो सकता है।
• सामान्य प्रभाव (General effects): इष्टतम स्विचिंग प्रोबेबिलिटी को एस्टिमेंड वेक्टर $w$ से जुड़े एक क्वाड्रेटिक समीकरण द्वारा निर्धारित किया जाता है, जो मार्जिनल वेरिएशन और टेम्पोरल पर्सिस्टेंस के बीच संतुलन बनाता है।

रोबस्ट डिज़ाइन ऑप्टिमाइजेशन के लिए (सभी नॉर्मलाइज्ड लीनियर कॉम्बिनेशन ऑफ लैग इफेक्ट्स पर वर्स्ट-केस वेरिएंस को न्यूनतम करना):

• इष्टतम डिज़ाइन i.i.d. Bernoulli(1/2) रैंडमाइजेशन ($\rho = \gamma = 1/2$) है। यह N-of-1 ट्रायल्स में स्वतंत्र असाइनमेंट की मजबूती के लिए एक औपचारिक औचित्य प्रदान करता है, जो क्रॉस-सेक्शनल सेटिंग्स में निष्कर्षों के अनुरूप है।

3. इष्टतम ब्लॉक लेंथ (साइकिल-स्विच डिज़ाइन्स)

उन सीमावर्ती मामलों (boundary cases) को संबोधित करने के लिए जहाँ रैंडम-स्विच डिज़ाइन्स विफल हो जाते हैं (जैसे, संचयी प्रभाव):

• संचयी प्रभाव (Cumulative effects): इष्टतम ब्लॉक लेंथ लगभग $l^* \approx K + \sqrt{K}$ है। यह लंबे काल (संचयी प्रभावों को कैप्चर करने के लिए) और बड़े ब्लॉक्स के कारण होने वाले वेरिएंस इन्फ्लेशन के बीच संतुलन बनाता है।
• लैग-विशिष्ट प्रभाव (Lag-specific effects): इष्टतम ब्लॉक लेंथ $l^* = K$ है। यह सभी लैग-विशिष्ट प्रभावों की पहचान (identifiability) सुनिश्चित करते हुए वेरिएंस को न्यूनतम करता है।
• रोबस्ट डिज़ाइन्स (Robust designs): इष्टतम ब्लॉक लेंथ $l^* = K$ है। छोटे ब्लॉक्स रैंक-डेफिशिएंट कोवेरिएंस मैट्रिसेस (गैर-पहचान क्षमता) की ओर ले जाते हैं, जबकि लंबे ब्लॉक्स वेरिएंस को रैखिक रूप से बढ़ाते हैं।

4. सिमुलेशन और मजबूती (Simulation and Robustness)

सिमुलेशन प्रदर्शित करते हैं कि:

• रैंडम-स्विच डिज़ाइन्स लैग-विशिष्ट प्रभावों के अनुमान के लिए सबसे छोटा एस्टिमेशन वेरिएंस प्राप्त करते हैं और विभिन्न मॉडल स्पेसिफिकेशन, जिसमें अनमॉडलड टाइम ट्रेंड्स शामिल हैं, के तहत भी मजबूत रहते हैं।
• साइकिल-स्विच डिज़ाइन्स सीमित नमूनों (finite samples) में संचयी प्रभावों के अनुमान के लिए अन्य डिज़ाइनों से बेहतर प्रदर्शन करते हैं, लेकिन कुछ मिसस्पेसिफिकेशन (जैसे, अनमॉडलड टाइम ट्रेंड्स) के तहत अधिक बायस (bias) प्रदर्शित करते हैं।
• प्रस्तावित डिज़ाइन आमतौर पर ऑप्टिमल रेगुलर स्विचबैक एक्सपेरिमेंट्स (ORSB) जैसे अत्याधुनिक विकल्पों से बेहतर प्रदर्शन करते हैं जब लक्षित एस्टिमेंड शुद्ध रूप से कैरीओवर-केंद्रित नहीं होता है।

5. डिज़ाइन-आधारित अनुमान से संबंध (Connection to Design-Based Inference)

पेपर मॉडल-आधारित OLS एस्टिमेटर को डिज़ाइन-आधारित अनुमान से जोड़ता है। यह दिखाता है कि रैंडम-स्विच डिज़ाइन्स के तहत, OLS एस्टिमेटर कंडीशनल-आउटकम कंट्रास्ट के एक लीनियर प्रोजेक्शन में अभिसरित होता है। i.i.d. Bernoulli रैंडमाइजेशन या लीनियर एडिटिव पोटेंशियल आउटकम्स के तहत, यह सीमा Lin और Ding [2025] द्वारा अध्ययन किए गए लैग-विशिष्ट ट्रीटमेंट इफेक्ट एस्टिमेंड के साथ मेल खाती है, जो सख्त लीनियर इम्पल्स-रिस्पॉन्स मॉडल का पालन किए बिना भी एस्टिमेटर की कॉज़ल व्याख्या को मान्य करती है।

महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि उनका कार्य एक सामान्य डिज़ाइन ढांचा प्रदान करता है जो विभिन्न उपचार प्रभावों को लचीले ढंग से लक्षित कर सकता है और साथ ही अनुकूलता गारंटी भी दे सकता है। स्विचिंग प्रोबेबिलिटीज और ब्लॉक लेंथ के माध्यम से इष्टतम टेम्पोरल स्ट्रक्चर को चित्रित करके, पेपर लैग-विशिष्ट और रोबस्ट उद्देश्यों के लिए i.i.d. Bernoulli डिज़ाइन्स की मजबूती को न्यायसंगत ठहराता है, और यह भी मात्रात्मक रूप से बताता है कि संचयी प्रभावों के लिए इष्टतम डिज़ाइनों को कैसे विचलित होना चाहिए (जैसे, लंबे ब्लॉक्स)।

पेपर सामान्यीकरण और व्याख्यात्मकता (generality and interpretability) के बीच एक ट्रेड-ऑफ पर जोर देता है: एक मॉडल-आधारित दृष्टिकोण (इम्पल्स-रिस्पॉन्स) को अपनाकर, वे नॉन-पैरामीट्रिक डिज़ाइन-आधारित विधियों की तुलना में कुछ सामान्यीकरण का त्याग करते हैं लेकिन डिज़ाइन ऑप्टिमाइजेशन के लिए एक एकीकृत ढांचा और एस्टिमेंड्स के लिए स्पष्ट व्याख्यात्मकता प्राप्त करते हैं। परिणाम प्रयोगकर्ताओं को उनके विशिष्ट वैज्ञानिक उद्देश्यों (जैसे, संचयी प्रभावों के लिए साइकिल-स्विच डिज़ाइन्स और लैग-विशिष्ट प्रभावों के लिए रैंडम-स्विच डिज़ाइन्स चुनना) के अनुरूप डिज़ाइन चुनने के लिए व्यावहारिक मार्गदर्शन प्रदान करते हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि उनका ढांचा मॉडल-आधारित है, यह विशिष्ट स्थितियों के तहत डिज़ाइन-आधारित अनुमान से जुड़ता है। वे यह भी पहचानते हैं कि ढांचे को पैनल प्रयोगों (एकाधिक प्रयोगात्मक इकाइयाँ) तक विस्तारित करना भविष्य के कार्य के लिए एक आशाजनक दिशा है।