Experimental Design When N Equals One

Sintesi Tecnica: Progettazione Sperimentale Quando N è Uguale a Uno

Definizione del Problema

Gli esperimenti N-of-1 (o esperimenti a serie temporali) comportano la randomizzazione ripetuta delle assegnazioni di trattamento per un singolo'unità sperimentale nel tempo. Sebbene siano ampiamente utilizzati nella ricerca clinica e nelle piattaforme online, la progettazione teoricamente ottimale per stimare vari effetti di trattamento rimane incerta. Una difficoltà centrale è che diversi estimandi target (ad esempio, effetti specifici per ritardo rispetto a effetti cumulativi) favoriscono diverse forme di dipendenza temporale nel percorso di assegnazione del trattamento. La letteratura esistente si basa spesso su approcci basati sul design specifico o su assegnazioni indipendenti, ma manca un quadro generale che possa mirare in modo flessibile a diversi effetti fornendo al contempo garanzie di ottimalità. Inoltre, le progettazioni ottimali per specifici estimandi, in particolare classi di estimandi, sono scarsamente caratterizzate.

Metodologia

Gli autori propongono un quadro markoviano per la progettazione sperimentale in cui il percorso di assegnazione del trattamento $Z_1, \dots, Z_T$ è modellato come una catena di Markov governata da matrici di transizione variabili nel tempo $P_t$. Gli stati corrispondono al controllo ($0$) e al trattamento ($1$), con probabilità di transizione definite dai parametri $\rho_t$ (probabilità di passare da 0 a 1) e $\gamma_t$ (probabilità di passare da 1 a 0).

Per definire l'obiettivo del design, l'articolo adotta un modello di risposta all'impulso a ordine finito:
$$Y_t = \alpha + \sum_{k=1}^K \beta_k Z_{t-k+1} + \epsilon_t$$
dove gli esiti dipendono additivamente dalle assegnazioni di trattamento attuali e passate per $K-1$ intervalli. L'estimando target è una combinazione lineare dei coefficienti di risposta all'impulso, $\tau_w = \sum w_k \beta_k$. L'obiettivo del design è minimizzare la varianza di stima asintotica dello stimatore dei Minimi Quadrati Ordinari (OLS) per $\tau_w$.

Gli autori analizzano due sottoclassi strutturate di design markoviani per derivare intuizioni teoriche:

1. Design a commutazione casuale (Random-Switch Designs): Caratterizzati da probabilità di transizione costanti ($\rho_t = \rho, \gamma_t = \gamma$). Lo spazio del design è ridotto all'ottimizzazione delle probabilità di commutazione.
2. Design a commutazione ciclica (Cycle-Switch Designs): Design deterministici in cui lo stato del trattamento cambia ogni $l$ punti temporali. Lo spazio del design è ridotto all'ottimizzazione della lunghezza del blocco $l$.

L'ottimizzazione è formulata come un problema minimax (design robusto) o un problema mirato (targeted problem), minimizzando la varianza di stima peggiore o specifica su un insieme di design candidati ed estimandi. L'analisi teorica si basa sull'asintotica large-$T$, utilizzando le proprietà delle matrici di Kac–Murdock–Szegő (KMS) e gli teoremi ergodici per le catene di Markov.

Contributi Chiave e Risultati

1. Quadro Generale del Design

L'articolo stabilisce un quadro unificato che comprende i design esistenti (assegnazioni indipendenti, switchback regolari, alternanza deterministica) come casi speciali di assegnazione markoviana. Fornisce un metodo rigoroso per controllare la dipendenza temporale attraverso le probabilità di transizione.

2. Probabilità di Commutazione Ottimali (Random-Switch Designs)

Per l'ottimizzazione del design mirato (minimizzazione della varianza per un dato $w$):

• Effetti specifici per ritardo (lag-specific effects): Il design ottimale converge a $\rho = \gamma = 1/2$, corrispondente a una randomizzazione Bernoulli(1/2) i.i.d.
• Effetti cumulativi: La probabilità di commutazione ottimale si sposta verso il confine ($\rho, \gamma \to 0$), implicando periodi lunghi e ininterrotti di trattamento e di controllo. Tuttavia, ciò porta a design limite mal definiti in cui l'OLS può risultare indefinito.
• Effetti generali: La probabilità di commutazione ottimale è determinata da un'equazione quadratica che coinvolge il vettore dell'estimando $w$, bilanciando il compromesso tra variazione marginale e persistenza temporale.

Per l'ottimizzazione del design robusto (minimizzazione della varianza peggiore su tutte le combinazioni lineari normalizzate di effetti di ritardo):

• Il design ottimale è la randomizzazione Bernoulli(1/2) i.i.d. ($\rho = \gamma = 1/2$). Questo fornisce una giustificazione formale alla robustezza dei design ad assegnazioni indipendenti nei trial N-of-1, coerentemente con i risultati nei contesti trasversali.

3. Lunghezze di Blocco Ottimali (Cycle-Switch Designs)

Per affrontare i casi limite in cui i design a commutazione casuale falliscono (ad esempio, effetti cumulativi):

• Effetti cumulativi: La lunghezza del blocco ottimale è approssimativamente $l^* \approx K + \sqrt{K}$. Questo bilancia la necessità di periodi lunghi (per catturare gli effetti cumulativi) contro l'inflazione della varianza causata da blocchi grandi.
• Effetti specifici per ritardo: La lunghezza del blocco ottimale è $l^* = K$. Ciò garantisce l'identificabilità di tutti gli effetti di ritardo minimizzando al contempo la varianza.
• Design robusti: La lunghezza del blocco ottimale è $l^* = K$. Blocchi più brevi portano a matrici di covarianza a rango deficitario (non identificabilità), mentre blocchi più lunghi aumentano la varianza linearmente.

4. Simulazione e Robustezza

Le simulazioni dimostrano che:

• I design a commutazione casuale raggiungono la minima varianza di stima per gli effetti specifici per ritardo e rimangono robusti rispetto a varie specifiche del modello, inclusa la misspecificazione del modello (ad esempio, trend temporali non modellati).
• I design a commutazione ciclica superano altri design per la stima degli effetti cumulativi in campioni finiti, ma mostrano un bias maggiore sotto certe misspecificazioni (ad esempio, trend temporali non modellati).
• I design proposti generalmente superano le alternative allo stato dell'arte come gli esperimenti a switchback regolare ottimale (ORSB) quando l'estimando target non è puramente focalizzato sul carryover.

5. Connessione con l'Inferenza Basata sul Design

L'articolo collega lo stimatore OLS basato sul modello all'inferenza basata sul design. Dimostra che, sotto i design a commutazione casuale, lo stimatore OLS converge a una proiezione lineare dei contrasti degli esiti condizionali. Sotto randomizzazione Bernoulli i.i.d. o esiti potenziali additivi lineari, questo limite coincide con l'estimando dell'effetto di trattamento specifico per ritardo studiato da Lin e Ding [2025], validando l'interpretazione causale dello stimatore anche senza l'aderenza rigorosa al modello di risposta all'impulso lineare.

Significato e Rivendicazioni

Gli autori affermano che il loro lavoro fornisce un quadro di progettazione generale che può mirare in modo flessibile a diversi effetti di trattamento offrendo al contempo garanzie di ottimalità. Caratterizzando la struttura temporale ottimale attraverso le probabilità di commutazione e le lunghezze dei blocchi, l'articolo giustifica la robustezza dei design Bernoulli i.i.d. per gli obiettivi di ritardo e robusti, quantificando al contempo come i design ottimali debbano deviare (ad esempio, blocchi più lunghi) per gli effetti cumulativi.

L'articolo enfatizza un compromesso tra generalità e interpretabilità: adottando un approccio basato sul modello (risposta all'impulso), sacrificano parte della generalità rispetto ai metodi di design non parametrici, ma ottengono un quadro unificato per l'ottimizzazione del design e una maggiore interpretabilità degli estimandi. I risultati offrono una guida pratica agli sperimentatori per selezionare design su misura per i loro specifici obiettivi scientifici (ad esempio, scegliere design a commutazione ciclica per effetti cumulativi e design a commutazione casuale per effetti di ritardo).

Gli autori notano con modestia che, sebbene il loro quadro sia basato sul modello, esso si connette all'inferenza basata sul design sotto specifiche condizioni. Identificano inoltre l'estensione del quadro ai esperimenti panel (molteplici unità sperimentali) come una direzione promettente per il lavoro futuro.