Regression Adjustments for Double Randomization in Two-Sided Marketplaces

1. 問題設定と背景

両側市場と干渉の問題
従来の A/B テスト（完全ランダム化実験）は、単一の単位に対して介入を行うことを前提としていますが、両側市場（例：Uber, Airbnb, Amazon など）では、バイヤーとセラーのペア（$i, j$）が相互作用します。このため、一方のグループへの介入が他方のグループの行動に影響を与え、結果として「干渉（Interference）」や「スパイロオーバー（Spillover）」が発生します。

多重ランダム化デザイン（MRD）の限界
干渉を扱うための手法として、バイヤーとセラーの両方に独立してランダム化を施す「多重ランダム化デザイン（Multiple Randomization Designs: MRDs）」が提案されています。MRD は、局所的な干渉仮定（Local Interference Assumption）の下で、直接効果、スパイロオーバー効果、総効果を識別する推定量を提供します。
しかし、既存の MRD 枠組みには大きな課題がありました。それは、共変量（covariates）を用いた回帰調整（regression adjustment）の理論的基盤が欠如しているという点です。従来の A/B テストでは、事前の共変量（例：過去の売上など）を用いた ANCOVA（共分散分析）や CUPED 法によって推定量の分散を大幅に削減できますが、MRD において同様の手法を単純に適用すると、非効率になったり、場合によっては分散が増大したりする可能性があります。

2. 手法とアプローチ

この論文は、MRD における推定量の分散を最小化する最適な回帰調整係数を導出する理論的枠組みを構築しました。

モデルの非依存性（Model-Free）
重要な特徴として、潜在結果（potential outcomes）が線形モデルに従うことを仮定していません。有限母集団（finite population）の枠組みにおいて、ランダム化のみを確率源とする設計ベースの推論（Design-based Inference）を行っています。

非相互作用型インプテーション推定量（Non-Interacted Imputation Estimators）
著者らは、以下の形式の推定量を分析対象としました。
$$\hat{\tau}_c(\beta) = \sum_{\gamma \in \Gamma} c_\gamma \frac{1}{I_\gamma J_\gamma} \sum_{(i,j) \in \gamma} (y_{ij} - X_{ij}^\top \beta)$$
ここで、$\gamma$ は 4 つのグループ（$tr$: 両方処置、$ib$: バイヤー処置、$is$: セラー処置、$cc$: 対照）を表し、$c_\gamma$ は関心のある効果（直接効果、総効果など）に対応する重みです。

最適調整係数の導出
この推定量の分散を最小化する $\beta$（最適調整係数 $\tilde{\beta}_c$）を解析的に導出しました。

• 分散は $\beta$ の正定値二次形式として表現できます。
• 最小化条件（一次の条件）から、$\tilde{\beta}_c = \tilde{Z}_c^{-1} \tilde{u}_c$ が得られます。ここで $\tilde{Z}_c$ と $\tilde{u}_c$ は、各グループ内の共変量と潜在結果の分散・共分散構造に基づいて定義されます。
• 驚くべき発見: 最適係数は観測データから一貫して推定可能であり、観測不可能な潜在結果の対比に依存しません。これにより、データから直接計算できるプラグイン推定量 $\hat{\beta}_c$ を構成できます。

具体的な推定量の解釈

• 直接効果（Direct Effect）の場合: 最適調整は、重み付き最小二乗法（Weighted Least Squares）による回帰と等価になります。具体的には、バイヤーとセラーの交互作用項を含む「重み付き二重固定効果（TWFE）回帰」であり、各グループのサイズに応じた重み（少数派のグループを重くする「少数派の暴政（Tyranny-of-the-Minority）」に似た重み付け）が適用されます。
• 総効果やスパイロオーバー効果の場合: 最適調整は、単純な回帰形式には必ずしも綺麗に帰着しませんが、依然としてデータから推定可能です。

3. 主要な理論的貢献

1. 最適回帰調整の導出と推定可能性:
   MRD における任意の因果効果推定量に対して、分散を最小化する回帰調整係数が観測データから推定可能であることを証明しました。これは、従来の ANCOVA（単純な共変量追加）とは異なり、グループごとの構造を考慮した重み付けや、交互作用項を含む複雑な調整が必要であることを示しています。

2. 漸近理論の強化（CLT の一般化）:
   MRD における推定量の漸近正規性（Central Limit Theorem: CLT）を証明するための新しい理論ツールを開発しました。

   • 既存の研究（Masoero et al., 2024）は、分散が $O(I^{-1} + J^{-1})$ 程度であることを前提としていましたが、著者らは1-Wasserstein 距離を用いた新しい CLT を導出しました。
   • これにより、分散が $O((IJ)^{-1})$ のように急速に減少するケース（例：行・列の平均がほぼ一定になる疎な行列など）でも、漸近正規性が成立することを示しました。これは、現実の市場で稀な相互作用しか観測されない場合など、既存理論が適用できない重要なシナリオをカバーします。

3. 保守的分散推定と推論:
   最適調整を施した推定量に対して、保守的な信頼区間を構成する方法を提案しました。残差を用いて既存の MRD 分散推定量を修正することで、漸近的に正しい被覆率（coverage）を達成することを確認しました。

4. 「害を与えない原則（No-Harm Principle）」の証明:
   最適回帰調整を用いた推定量は、調整を行わない場合や、従来の ANCOVA を用いた場合と比較して、漸近的に分散が小さくなる（あるいは同等である）ことを保証しました。つまり、最適調整を適用しても推定量の精度が低下することはありません。

4. 数値シミュレーション結果

シミュレーション研究により、提案手法の有効性が実証されました。

• 効率性の向上: 不均衡な実験デザイン（処置群と対照群の比率が偏っている場合）において、提案する最適調整（Opt）は、従来の ANCOVA や調整なしの推定量を大幅に凌駕する効率性（分散の削減）を示しました。
• ANCOVA のリスク: 不均衡な実験において、従来の ANCOVA を適用すると、調整を行わない場合よりも分散が大きくなる（精度が低下する）ケースが確認されました。これは、Freedman (2008) が単一ランダム化実験で指摘した現象が MRD でも同様に起こり得ることを示しています。
• 信頼区間の短縮: 最適調整を用いることで、推定量の分散が減少し、結果として信頼区間の長さが短縮され、より精密な推論が可能になりました。

5. 意義と結論

この論文は、両側市場における因果推論の実践において重要なブレークスルーを提供しています。

• 実用性の向上: 両側市場の実験（MRD）は、干渉を考慮する必要があるため、サンプルサイズが不足しがちで統計的検出力が低い傾向があります。この研究で提案された回帰調整手法は、共変量（過去のデータなど）を効果的に活用することで、限られたデータからより高い精度で因果効果を推定することを可能にします。
• 理論的基盤の確立: 両側市場実験における回帰調整の理論的空白を埋め、最適調整がデータから推定可能であり、モデルに依存しない頑健な性質を持つことを示しました。
• 将来の研究への指針: 本研究で開発された理論ツール（特に新しい CLT）は、MRD のスケーリング限界や、より複雑な干渉構造を持つ実験デザインの研究にも応用可能です。

総じて、この論文は、両側市場における実験デザインをより効率的かつ信頼性の高いものにするための、理論的・実用的な指針を提供する重要な貢献です。