技術要約：実験計画の限界 — 低次元を超えた共変量バランス

1. 問題提起

本論文は、実験計画における根本的な緊張関係、すなわち半パラメトリック効率性（平均治療効果推定量の分散の最小化）と、有限サンプルにおける「次元の呪い」との間のトレードオフに対処している。

近年の理論的研究（例：Bai et al., 2022, 2026b）では、マッチングペアのような細密な層化設計が、漸近的にHahn (1998) の半パラメトリック効率境界を達成できることが確立されているが、これらの結果は強い仮定に依存している。具体的には、マッチングされたグループ内の共変量の差が漸近的に消失することを必要とする。本論文は、高次元（$d$）の共変量を持つ有限サンプルにおいては、これは実質的に不可能であると主張する。$d$ 次元の最近傍点間の距離は $n^{-1/d}$ の割合で減少するため、数千のユニットに対して「数十個」の共変量にわたって完全な一致（マッチング）を実現することは不可能である。

核心となる問題は、実験計画がいかに速く、アウトカムモデルのクラスに対して一様に効率境界 $V^*$ に接近できるかを定量化すること、および、サンプルサイズ $n$、共変量次元 $d$、およびアウトカムの滑らかさの関数として、この収束の限界を決定することである。

2. 方法論とフレームワーク

2.1 不均衡としての超過分散

著者は、パフォーマンス指標として、未調整のホーブト・トンプソン推定量の有限サンプル分散と、半パラメトリック効率境界との差である超過分散 $V_n$ を定義する。
$$V_n \equiv n \text{Var}(\hat{\theta}) - V^*$$
Proposition 2.3 を用いて、本論文は、超過分散がアウトカムモデル $m(\psi) = E[(Y(1) + Y(0))/2 | \psi]$ のインサンプルでの不均衡によって正確に決定されることを確立している：
$$V_n = 4n \cdot E\left[ \left( \frac{1}{n} \sum_{i=1}^n Z_i m(\psi_i) \right)^2 \right]$$
ここで、$Z_i \in \{-1, 1\}$ は中心化された割り当てである。これにより、効率性を関数バランシング問題へと再定義している。

2.2 分析ツール

• ミニマックス分析: 本論文は、特定の関数クラス（ヘルダー、ソボレフ、および制限された複雑さを持つ非パラメトリック・クラス）に対して $V_n$ の上限および下限を導出している。
• グラム・シュミット・ウォーク (GSW): 本手法は、Bansal et al. (2019) および Harshaw et al. (2024) によるベクトル・バランシング・アルゴリズムを活用している。著者は、デザイン・カーネル $K$ を用いて正定値入力行列 $\Gamma_n$ を構築することで、このアルゴリズムを「カーネル化」している。これにより、単なる線形関数ではなく、再生核ヒルベルト空間（RKHS）内の関数をバランシングすることが可能になる。
• 関数クラス:
  • ヘルダー・クラス ($\mathcal{P}_\beta$): 粗い、あるいは滑らかでないアウトカム用。
    き
  • ソボレフ空間 ($H^s$): 滑らかなアウトカム用。滑らかさの次数 $s$ によってパラメータ化される。
  • 制限された複雑さのクラス: 加法モデル（$g(\psi) = a + \sum g_j(\psi_j)$）や二変量相互作用モデル。これらは $d$ が大きい場合でもバランシングが可能となるよう設計されている。

3. 主な貢献と結果

3.1 高次元における一様効率性の不可能性

本論文は、中心的な不可能性定理（Theorem 3.1, Corollary 3.2, Theorem 4.9）を証明している：

• マッチングペア: 線形（無限に滑らかな）アウトカムモデルであっても、マッチング・スキームが超過分散を $n^{-2/d}$ より速く消失させることを保証できない。
• 一般的な設計: $d = o(\log n)$ のレジーム以外では、一様な漸近的効率性（$V^*$ への収束）を保証できる適応的な実験計画は存在しない。
• 示唆: 数千のユニットを持つ実験において、標準的な効率性の保証は「わずかな数」の共変量に対してのみ成立する。これを超えると、アウトカムモデルの滑らかさに関わらず、次元の呪いによって、いかなる設計も古典的な効率境界に一様に接近することを阻まれる。

3.2 粗いモデルに対するマッチングの最適性

マッチングは滑らかなモデルに対しては高次元で非効率であるが、本論文は、固定された低次元における粗いアウトカムモデル（$\beta \in (0, 1]$ のヘルダー・クラス）に対しては、それがミニマックス最適であることを確立している（Theorem 3.4, Corollary 3.6）。安定したマッチングは $V_n \asymp n^{-2\beta/d}$ のレートを達成する。この遅いレートは、弱い仮定の下での「堅牢性の代償」である。マッチングはリプシッツ連続の終点（$\beta=1$）を超えて滑らかさを利用することはできない。

3.3 非パラメトリック GSW と滑らかさへの適応

滑らかさを利用するために、著者はカーネル化された GSW 設計を提案している：

• 適応的レート: チューニング・パラメータ $\nu_n = c/\log n$ を持つマテルン・カーネルを用いた単一の GSW 設計シーケンスは、未知のソボレフ滑らかさ $s > 0$ に対して、事前の知識なしに適応する。
• 収束レート: この設計は、超過分散のレート $V_n \asymp (\frac{\log n}{n})^{(2s/d) \wedge 1}$ を達成する。
  • $2s \leq d$ のとき、レートは $n^{-2s/d}$ となる。
  • $2s > d$ のとき、対数因子を除いて、ほぼパラメトリックなレート（$n^{-1}$）となる。
• 限界: これらの適応的設計であっても、$d = o(\log n)$ という障壁を乗り越えて完全な効率性を達成することはできない。

3.4 低次元を超えた効率的な設計（制限された複雑さ）

不可能性の結果に基づき、本論文は、全関数空間ではなく、制限された複雑さを持つ非パラメトリック・クラス（例：加法モデルまたは二変量モデル）をバランシングすることを提案している。

• 加法および二変量モデル: これらの設計は、より高い次元に対応できる：
  • 加法モデル: $d = o(n)$ の共変量を許容する。
  • 二変量相互作用モデル: $d = o(\sqrt{n})$ の共変量を許容する。
• 分散ターゲット: これらの設計は、ターゲットとなる $V^* + \Delta_G$ （$\Delta_G$ は未モデル化の変動による分散ギャップ）に接近する。ワーキング・モデルが優れた近似である場合、このターゲットは $V^*$ に近く、かつより速いレートで接近可能である。

3.4 マッチングによる堅牢化（Matched GSW）

著者は、構造化された GSW とマッチングを組み合わせることで、未モデル化の変動に対する保護を図っている（Section 5.2）。

• メカニズム: マッチングはペア内の局所的な変動（$m - m_G$）を制御し、GSW は構造化された成分（$m_G$）のグローバルな不均衡を制御する。
• 結果: この「Matched GSW」設計は、構造化成分に対する速い収束レートを維持しつつ、残差に対する堅牢性を提供する。Theorem 5.6 は、残差がヘルダー連続である場合、総超過分散が、残差のマッチング・レートと構造化部分の GSW レートの和によって抑えられることを示している。

3.6 実証的適用

本論文は、12件の公開された経済学のランダム化実験（サンプルサイズ $n \in [96, 1200]$、次元 $d \in [7, 51]$）に較正されたモンテカルロ・シミュレーションを用いて、これらの設計を評価している。

• 知見:
  • 加法および二変量非パラメトリック GSW 設計は、あらゆる実証的設定において、古典的なマッチングペアと比較して推定量の分散を減少させている。
  • 全次元 GSW は、平均してマッチングペアと同等の性能を示す。
  • Matched Additive GSW が全体として最も優れた性能を示し、最大の分散減少と短い信頼区間を提供しながら、公称カバレッジ（約94.8%）を維持している。
• 推論: 著者は、Matched GSW のための新しい設計ベースの共変量補正分散推定量を開発した。これは、標本平均治療効果（SATE）に対しては保守的であり、平均治療効果（ATE）に対しては漸近的に非保守的である。

4. 意義と主張

本論文は、サンプルサイズ、共変量次元、およびアウトカムの複雑さへの依存関係を明示的に特徴付ける、実験計画のための初の有限サンプル効率理論を提供すると主張している。

• 理論的転換: 精密な層化設計が普遍的に効率的であるという従来の観点に異議を唱え、その効率性が低次元レジーム（$d \ll \log n$）においてのみ厳密に成立することを証明している。
• 実務的推奨: 著者は、高次元における古典的な効率境界の追求を放棄すべきであると主張している。代わりに、マッチングと組み合わせた、より低い複雑さの非パラメトリック・クラス（特に加法モデル）を対象とした**不一致最小化設計（GSW）**を採用すべきであるとしている。
• 堅牢性: このアプローチは、「両者の良いとこ取り」の解決策を提供する。すなわち、アウトカムのモデル化された成分に対しては速い収束レートを達成しつつ、未モデル化の変動に対するマッチングの堅牢性を維持する。
• 実証的検証: シミュレーションは、これらの理論的な利点が現実世界の環境においても、多様な経済学的実験を通じて一貫して標準的なマッチングペアを上回る性能を発揮することを示唆している。

本論文は、次元の呪いが一様効率性に厳しい限界を課す一方で、構造化された不一致最小化が、高次元の設定において大幅な分散減少を実現するための実行可能な道筋を提供することを結論付けている。