技術要約：二次形式を用いた再ランダム化のための統一フレームワーク

問題提起

ランダム化実験の設計において、処置群と対照群の間で共変量のバランスを確保することは、標準誤差を減少させ、統計的検出力を高めるために極めて重要である。ブロッキング（層化）はカテゴリ変数に対しては効果的であるが、高次元の連続共変量に対しては困難を伴う。**再ランダム化（Rerandomization）**は、あらかじめ指定されたレベルの共変量バランスが達成されるまで処置割り当てをランダム化することで、この問題に対処する。

歴史的に、ほとんどの再ランダム化手法は、逆共分散行列 ($\Sigma^{-1}$) を重み行列として用いるマハラノビス距離（Morgan and Rubin, 2012）に依存してきた。しかし、高次元の設定では、マハラノビス再ランダム化はすべての共変量に対して等しい割合の分散減少を適用する。次元数 ($d$) が増加するにつれ、分散減少項は1に近づき、この手法は効果を失う。Ridge再ランダム化（Branson and Shao, 2021）やPCA再ランダム化（Zhang et al., 2024）のような拡張手法は、特定の固有ベクトルを優先することでこれを緩和しようと試みているが、これらはチューニングパラメータや恣意的なカットオフを必要とする。さらに、既存の最適性に関する結果の多くは、共変量とアウトカムの関係に関する知識（例：Liu et al., 2025）を前提としているが、実験前にそのような知識が得られることは稀である。

手法

著者らは、一般的な二次形式のバランス指標によって定義される統一フレームワークを提案している：
$$Q_A(\sqrt{n}\hat{\tau}_X) = (\sqrt{n}\hat{\tau}_X)^T A (\sqrt{n}\hat{\tau}_X)$$
ここで、$\hat{\tau}_X$ は共変量の平均差のベクトルであり、$A$ は固定された非ゼロの正定値行列 ($A \in S^d_+$) である。

本論文は、固定された共変量 $X$ および潜在的アウトカムの下での、このようなスキーム全般に対する一般的な理論的結果を導出している。この分析は、以下の2つの条件に基づいている：

1. 条件1： アウトカムおよび共変量の有限母集団分散と共分散が定義可能であり、極限値を持つこと。
2. 条件2： 再ランダム化基準が処置割り当てに対して対称であり、いくつかの割り当てに対して非ゼロの確率を置くこと。

著者らは、共変量平均差の共分散行列 ($\Sigma$) および $\Sigma^{1/2}A\Sigma^{1/2}$ の固有構造を利用して、共変量平均差の推定量の漸近分布を特徴付けている。

主な貢献

1. 一般的な理論的結果

著者らは、あらゆる二次形式の再ランダム化の下での共変量平均差の漸近共分散を導出した（定理1）。彼らは、共分散行列が、$\Sigma^{1/2}A\Sigma^{1/2}$ の固有値に依存する分散減少係数 $\nu_{j,\eta}$ によって回転およびスケーリングされることを示している。このフレームワークにより、既存の手法（マハラノビス、Ridge、PCA）の特性の迅速な再導出や、新しいスキームの分析が可能となる。

2. 共変量バランスのための最適性（アウトカム情報なし）

著者らは、アウトカムの関係 ($\beta$) に関する知識を必要とせず、共変量の特性のみに基づいて $A$ の最適な選択肢を確立した：

• フロベニウスノルムの最小化： ユークリッド距離 ($A = I_d$) は、共変量平均差の共分散行列のフロベニウスノルムを最小化する（定理2）。これにより、再ランダム化後、すべての変動の方向が等しい大きさを持つことが保証される。
• 総分散減少の最大化： マハラノビス距離 ($A = \Sigma^{-1}$) は、すべての主成分にわたる総分散減少を最大化する（定理3）。

3. 平均処置効果（ATE）推定のための最適性

著者らは、$A$ の選択を差の平均推定量の分散 ($\hat{\tau}$) に結びつけている。

• オラクル最適性： もし共変量とアウトカムの関係 ($\beta$) が既知であれば、最適な行列は $A^* = \beta\beta^T$ となる（定理5）。これは、共変量の平均差をアウトカムに対する予測力によって重み付けすることを意味する。
• ミニマックス最適性： $\beta$ は通常未知であるため、著者らは、ユークリッド再ランダム化 ($A = I_d$) がミニマックス最適であることを証明した（定理6）。つまり、真の共変量とアウトカムの関係がどのようなものであっても、推定量の精度が最適解から「離れすぎる」ことはない。このことは、アウトカム情報が得られない場合、ユークリッド再ランダム化が堅牢な「安全な」選択肢であることを示している。

4. 主成分選択ルール

本論文は、上位 $k$ 個の主成分を選択するためのフレームワークを拡張している。$\beta$ が未知の場合に $k$ を選択するためのコスト・ベネフィットの意思決定ルール（式8）を導出し、これは上位成分で得られる分散減少と、破棄された成分による減少の損失とのバランスを取るものである。これは**重み付き固有値ルール（Weighted Eigenvalue rule）**と呼ばれる。

結果

シミュレーション研究

著者らは、異なる次元 ($d$) および固有値分布（疎、平均的、一様）と、主成分とアウトカムとの異なる関係を持つ条件下でシミュレーションを実施した：

• 疎な固有値： 固有値が疎であり、アウトカムが下位の主成分に依存する場合、マハラノビス再ランダム化は他の手法よりも優れた性能を示す。しかし、アウトカムが上位の主成分に依存する場合、マハラノビスは性能が悪化する。
• 堅牢性： ユークリッド再ランダム化は、すべての設定において一貫して2番目に優れた分散減少を提供し、共分散行列を制約することにおいて最も優れていた。これは、自身の仮定（等しい重み付け）がアウトカム構造と不一致であった場合に大きく苦戦したマハラノビスと比較して、優れた堅牢性を示した。
• 平方ユークリッド： $A = \Sigma$ （平方ユークリッド）を設定すると、上位の固有値を強調するため、上位成分が予測的である場合には良好に機能したが、標準的なユークリッド再ランダム化の堅牢性には欠けていた。

実データへの適用

ドイツの青少年に対するメンタリングのランダム化比較試験（$n=308, d=21$）を用い、著者らは合成された非線形かつ非加法的な潜在的アウトカムを構築した。

• 知見： 共変量の固有値は比較的一様であった。この設定では、すべての手法が同様の挙動を示したが、ユークリッド再ランダム化が最も低い分散（完全なランダム化に対して0.565）をもたらし、平方ユークリッド（0.576）がそれに僅差で続いた。
• 示唆： この結果は、ユークリッド再ランダム化がミニマックス最適であり、特に固有構造が特定の成分のサブセットを強く支持していない場合に堅牢であるという理論的主張と一致している。

意義と主張

本論文は、既存の再ランダム化手法を二次形式という傘の下に統合する一般的な理論的フレームワークを提供することを主張している。その主な意義は以下の通りである：

1. 実践的なガイダンス： アウトカム情報が得られない場合に、行列 $A$ をどのように選択すべきかについて、理論的に裏付けられた明確な指針を実務家に提供する。具体的には、高次元のマハラノビス距離の陥穽を避けつつ、堅牢性を維持する戦略としてユークリッド再ランダム化を推奨している。
2. 理論と実践の架け橋： 以前の研究（例：Liu et al., 2025）における一般的な制限であった、アウトカムと共変量の関係に関する事前知識に依存しない最適性の結果を導出することで、文献の空白を埋めている。
3. 方法論の拡張： $A$ の選択が結果として得られる共分散行列の固有構造を決定することを実証しており、研究者が自身のデータの固有構造やアウトカム関係に関する事前知識に基づいて、再ランダム化戦略（例：平方ユークリッドやPCAルール）をカスタマイズすることを可能にしている。

著者らは、自らの結果は二次形式として表現可能な再ランダム化スキームに特有のものであり、非二次形式のデザイン戦略（例：カーネル割り当て）の優位性を必ずしも排除するものではないと述べ、謙虚な姿勢を保っている。また、今後の研究として、これらのフレームワークを多腕実験や逐次設計へと拡張できる可能性を示唆している。