📊 statistics

Regression Adjustments for Double Randomization in Two-Sided Marketplaces

Dit artikel introduceert en analyseert regressie-aanpassingsstrategieën voor dubbele randomisatie in tweezijdige markten, waarbij optimale, model-robuste schatters worden afgeleid die een aanzienlijke efficiëntiewinst bieden ten opzichte van eerdere methoden.

Oorspronkelijke auteurs: Timothy Sudijono, Lihua Lei, Lorenzo Masoero, Suhas Vijaykumar, Guido Imbens, James McQueen

Gepubliceerd 2026-03-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Timothy Sudijono, Lihua Lei, Lorenzo Masoero, Suhas Vijaykumar, Guido Imbens, James McQueen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Titel: Hoe je de waarheid vindt in een drukke marktplaats (Zonder je hoofd te verliezen)

Stel je voor dat je een enorme, drukke online marktplaats runt. Je hebt kopers (de mensen die willen kopen) en verkopers (de mensen die willen verkopen). Je wilt weten: "Wat gebeurt er met de verkoop als we een nieuwe korting geven aan de verkopers?"

In een gewone wereld zou je dit testen door een simpele A/B-test te doen: de helft van de verkopers krijgt de korting, de andere helft niet. Je kijkt naar de resultaten en je bent klaar.

Maar in een tweezijdige marktplaats is het veel ingewikkelder. Waarom? Omdat alles met elkaar verbonden is.

Het Probleem: Het "Spook-effect" (Interferentie)

Stel je voor dat jij een korting geeft aan Verkoper A.

Verkoper A wordt blij en verkoopt meer.
Maar Koper B, die normaal gesproken bij Verkoper C koopt, ziet dat Verkoper A goedkoper is. Koper B springt over naar Verkoper A.
Verkoper C heeft nu geen korting gekregen, maar zijn omzet daalt toch!

Dit noemen we interferentie of "spillover". De behandeling (de korting) aan de ene kant beïnvloedt de uitkomst aan de andere kant, zelfs als die persoon geen korting kreeg.

Als je dit niet goed meet, krijg je een verkeerd beeld. Het is alsof je probeert te meten hoe hard je kunt rennen, terwijl iemand anders je continu aan je shirt trekt.

De Oplossing: De "Dubbel-Randomisatie" (MRD)

Om dit op te lossen, gebruiken de auteurs een slimme truc: Multiple Randomization Designs (MRD).

In plaats van alleen verkopers te kiezen, kiezen ze zowel kopers als verkopers willekeurig.

Groep 1: Kopers én Verkopers krijgen de korting.
Groep 2: Alleen Verkopers krijgen de korting (Kopers niet).
Groep 3: Alleen Kopers krijgen de korting (Verkopers niet).
Groep 4: Niemand krijgt de korting.

Door deze vier groepen te vergelijken, kunnen ze precies zien wat het directe effect is (verkoper + korting) en wat het "spook-effect" is (verkoper + korting, maar koper niet, en vice versa).

Het Nieuwe Geheim: De "Slimme Rekenmachine" (Regression Adjustment)

Deze methode werkt goed, maar heeft een probleem: het is vaak onnauwkeurig. Omdat je zo veel groepen hebt en de marktplaats soms onevenwichtig is (bijvoorbeeld: heel veel verkopers, maar weinig kopers), zijn de resultaten "ruisig". Het is alsof je probeert een zacht gefluister te horen in een storm.

De auteurs zeggen: "Wacht even, we hebben meer informatie!"
Ze hebben vaak gegevens uit het verleden (bijvoorbeeld: hoeveel verkopen deden deze mensen vorige maand?). In de statistiek noemen we dit covariaten.

In de oude wereld (en bij simpele tests) gebruikte je een simpele lineaire formule om die oude gegevens te gebruiken. Maar de auteurs ontdekten dat die simpele formule in dit complexe geval fouten kan maken. Soms maakt het de meting zelfs slechter dan als je niets deed!

De grote doorbraak:
Ze hebben een nieuwe, optimale formule bedacht.

De analogie: Stel je voor dat je een weegschaal hebt. De oude methode gaf elke persoon op de schaal hetzelfde gewicht. Maar in onze marktplaats zijn sommige groepen (zoals de kleine groep verkopers) veel belangrijker voor de nauwkeurigheid dan andere.
De nieuwe methode is een slimme weegschaal. Hij geeft extra gewicht aan de groepen die het minst zeker zijn, en minder gewicht aan de groepen die al heel duidelijk zijn. Hij "corrigeert" de meting op de exacte manier die nodig is om de ruis te verwijderen.

Waarom is dit zo cool?

Het werkt zonder aannames: Je hoeft niet te geloven dat de wereld perfect lineair is (dat elke euro korting precies 2 euro verkoop oplevert). De methode werkt ook als de werkelijkheid chaotisch is.
Het is "No-Harm": Zelfs als je de formule niet perfect hebt, wordt het resultaat nooit slechter dan de simpele methode. Vaak wordt het echter veel, veel beter.
Het is berekenbaar: Je hoeft geen magische cijfers te raden. De computer kan de perfecte "weegschalen" (de coefficients) direct uit de data halen.

Samenvatting in één zin

Deze paper leert ons hoe we in een chaotische, verbonden wereld (zoals een online marktplaats) de echte oorzaak-en-gevolg-relaties kunnen meten, door slimme wiskunde toe te passen die rekening houdt met de "ruis" van de markt, zodat we betere beslissingen kunnen nemen.

Kortom: Het is de upgrade van je meetinstrument, zodat je niet meer schat, maar precies weet wat er gebeurt.

1. Probleemstelling

Tweezijdige markten (zoals platformen met kopers en verkopers) zijn overal in de digitale economie aanwezig. Standaard experimentele ontwerpen (A/B-tests) falen vaak in deze omgevingen vanwege interferentie: interventies leiden tot strategische interacties of "spillovers" binnen of tussen groepen. Als een koper wordt behandeld, kan dit de uitkomst beïnvloeden voor een verkoper die niet direct behandeld is, en vice versa.

Om dit aan te pakken, worden Multiple Randomization Designs (MRD's) gebruikt. Bij een MRD worden zowel kopers als verkopers onafhankelijk van elkaar randomisatie onderworpen. Dit creëert vier groepen van kopers-verkoper-paren:

tr (treated-treatment): Beide behandeld.
ib (interference-buyer): Alleen de koper behandeld.
is (interference-seller): Alleen de verkoper behandeld.
cc (clean-control): Geen van beiden behandeld.

Hoewel MRD's schattingen mogelijk maken voor directe effecten, totale effecten en spillover-effecten, ontbreekt er tot nu toe een robuuste methode om covariaten (zoals historische uitkomsten of kenmerken van kopers/verkopers) te gebruiken om de precisie van deze schatters te verbeteren. Standaard regressie-aanpassingen (zoals ANCOVA) kunnen in deze context zelfs leiden tot een vermindering van de asymptotische efficiëntie, vooral bij onbalans in de randomisatie.

2. Methodologie

De auteurs ontwikkelen een theoretisch raamwerk voor regressie-aanpassingen binnen het MRD-ontwerp, zonder aan te nemen dat de potentiële uitkomsten lineair zijn in de covariaten (model-robustheid).

Kernconcepten:

Imputatie-schattingen: De auteurs definiëren een klasse van schatters die gebaseerd zijn op het "imputeren" van uitkomsten na correctie voor covariaten. Voor een doelgroepsvector $c$ wordt de schatter gedefinieerd als:
$\hat{\tau}_c(\beta) = \sum_{\gamma \in \Gamma} c_\gamma \frac{1}{I_\gamma J_\gamma} \sum_{(i,j) \in \gamma} (y_{ij} - X_{ij}^\top \beta)$
waarbij $\gamma$ de vier groepen (tr, ib, is, cc) vertegenwoordigt.
Optimalisatie van $\beta$ : Het doel is om de vector $\beta$ te kiezen die de asymptotische variantie van de schatter minimaliseert. In tegenstelling tot klassieke experimenten, hangt de optimale $\beta$ af van complexe interacties tussen rij- en kolomgemiddelden en dubbel gecentreerde matrices.
Plug-in Schatters: De auteurs tonen aan dat de optimale $\beta$ (die theoretisch afhangt van onwaarneembare potentiële uitkomsten) consistent geschat kan worden uit de waargenomen data. Dit leidt tot een plug-in schatter $\hat{\tau}_c(\hat{\beta})$ .
Gewogen Kleinste Kwarten (Weighted Least Squares - WLS): Voor specifieke schatters (zoals het directe effect) blijkt de optimale plug-in schatter equivalent te zijn aan een gewogen regressie met geïnteracteerde twee-weg vaste effecten (TWFE). De gewichten zijn omgekeerd evenredig met het kwadraat van de grootte van de groepen, wat vergelijkbaar is met de "Tyranny-of-the-Minority" regressie uit cross-sectionele experimenten.

Theoretische Verbeteringen:

De auteurs verbeteren de bestaande theorie voor MRD's door een nieuwe Centrale Limietstelling (CLT) af te leiden voor dubbel gerandomiseerde sommen. Deze CLT:

Gebruikt Stein's methode en concentratie-onzekerheidstools voor steekproeven zonder teruglegging.
Geldt in 1-Wasserstein-afstand.
Vereist geen begrensdheid van uitkomsten en werkt ook in regimes waar de variantie sneller daalt dan $\Theta(I^{-1} + J^{-1})$ (bijv. $\Theta((IJ)^{-1})$ ), wat vaak voorkomt bij schaarse markten.

3. Belangrijkste Bijdragen

Optimale Regressie-aanpassingen: Afleiding van de keuze voor $\beta$ die de variantie minimaliseert voor algemene effecten (direct, totaal, spillover), zonder lineaire model-aannames.
Schattbaarheid: Het bewijs dat de optimale aanpassingen consistent geschat kunnen worden uit waargenomen data, zelfs als ze theoretisch afhangen van onwaarneembare grootheden.
Model-robustheid en "No-Harm" Principe: De voorgestelde schatters zijn asymptotisch normaal en hebben een variantie die nooit slechter is dan de ongecorrigeerde schatter of de standaard ANCOVA. In veel gevallen is de verbetering aanzienlijk.
Verbeterde Inferentie: Afleiding van conservatieve variantieschattingen en geldige betrouwbaarheidsintervallen die robuust zijn voor verschillende schaalregimes van de markt (grootte van kopers vs. verkopers).
Nieuwe Theoretische Tools: Een versterkte CLT voor MRD's die toepasbaar is in situaties waar eerdere theorieën (zoals [MVR+24]) faalden, met name bij schaarse data of specifieke schaalverhoudingen.

4. Resultaten

Simulaties: Numerieke simulaties tonen aan dat de optimale regressie-aanpassing ("Opt") aanzienlijk efficiënter is dan ongecorrigeerde MRD-schatters en standaard ANCOVA.
- Bij onbalans (bijv. weinig behandelden) kan ANCOVA de variantie zelfs vergroten ten opzichte van geen correctie, terwijl de optimale methode altijd verbetert.
- De optimale methode levert kortere betrouwbaarheidsintervallen op bij behoud van de gewenste dekking.
Direct Effect: Voor het directe effect correspondeert de optimale schatter met een gewogen TWFE-regressie. Dit is een interpreteerbare vorm die de "Tyranny-of-the-Minority" benadering generaliseert naar tweezijdige markten.
Interactie-effecten: De auteurs bespreken ook "interacted imputation estimators" (waarbij per groep een ander $\beta$ wordt gebruikt), maar merken op dat deze complexer zijn en niet altijd een mooie regressievorm hebben.

5. Betekenis en Impact

Dit werk vult een cruciale lacune in de literatuur over experimenten in tweezijdige markten. Het biedt een praktische en theoretisch onderbouwde oplossing voor het verbeteren van de statistische power van MRD-experimenten, die vaak last hebben van lage power door de noodzaak van randomisatie over twee dimensies.

Praktische toepasbaarheid: Marketeers en datawetenschappers kunnen nu covariaten gebruiken om MRD-resultaten te verfijnen zonder bang te hoeven zijn voor de valkuilen van standaard regressie-aanpassingen.
Theoretische vooruitgang: De nieuwe CLT en de analyse van schaalregimes bieden een robuustere basis voor inferentie in complexe, interfererende omgevingen, wat relevant is voor de groeiende toepassing van MRD's in de tech-industrie (bijv. advertentiemarktplaatsen, ride-sharing).

Kortom, het artikel levert de "regressie-aanpassing" voor marketplace-experimenten die vergelijkbaar is met wat Lin (2013) en anderen hebben gedaan voor klassieke A/B-tests, maar aangepast aan de unieke complexiteit van interferentie in tweezijdige netwerken.