Coupling Designs for Randomized Experiments with Complex Treatments

Dit artikel introduceert een nieuwe familie van koppelingsontwerpen die stratificatie uitbreiden naar complexe behandelruimtes door homogene eenheden te koppelen en vervolgens Monte Carlo-technieken te gebruiken voor sterk gedispergeerde toewijzingen, wat leidt tot aanzienlijke efficiëntiewinsten die afhangen van de matchkwaliteit en de spreiding van de behandelingen.

De kern

Stel je voor dat je een groot experiment doet, zoals het testen van een nieuw medicijn of het geven van geld aan arme huishoudens om te zien of ze meer gaan consumeren. Het doel is om te weten: wat gebeurt er als we iets veranderen?

In de wetenschap noemen we dit een randomized experiment (een gerandomiseerd experiment). Traditioneel doe je dit door mensen willekeurig in groepjes te verdelen: één groep krijgt het medicijn, de andere niet. Of je geeft groep A €10 en groep B €20.

Maar wat als het niet zo simpel is? Wat als je niet alleen kunt kiezen tussen "ja" of "nee", maar je kunt kiezen uit elk bedrag tussen €0 en €100? Of wat als je niet alleen geld geeft, maar ook een combinatie van geld, training en advies? Of wat als je test hoe mensen reageren op duizenden verschillende foto's van voedsel?

Hier komt dit paper van Max Cytrynbaum en Fredrik Sävje om de hoek kijken. Ze hebben een nieuwe manier bedacht om zulke complexe experimenten te ontwerpen, zodat je met minder mensen toch een heel scherp antwoord krijgt. Ze noemen dit Coupling Designs (Koppelingsontwerpen).

Hier is de uitleg, vertaald naar alledaagse taal met een paar creatieve vergelijkingen.

1. Het Probleem: De "Willekeurige" Chaos

Stel je voor dat je een tuin hebt met duizenden bloemen (de mensen in je experiment). Je wilt weten hoe ze reageren op verschillende hoeveelheden water (de behandeling).

• De oude manier (Onafhankelijke randomisatie): Je gooit een dobbelsteen voor elke bloem. Bloem A krijgt misschien 1 liter, Bloem B ook 1 liter, Bloem C krijgt 50 liter.

  • Het nadeel: Je krijgt veel bloemen die bijna hetzelfde water krijgen. Je leert dan niet veel over het verschil tussen 1 liter en 2 liter. Het is alsof je een kaartspel speelt waarbij je steeds dezelfde kaarten trekt. Je hebt veel kaarten nodig om een goed plaatje te krijgen.

• De traditionele "Stratified" manier (Gescheiden groepjes): Je probeert bloemen met dezelfde grondsoort bij elkaar te zetten. Dan geef je binnen die groep willekeurig water.

  • Het probleem: Als je 100 verschillende waterhoeveelheden hebt, is het bijna onmogelijk om groepjes te maken die precies even groot zijn voor elke hoeveelheid. Je kunt niet 100 bloemen vinden die precies even goed zijn, en dan ze allemaal een ander bedrag geven zonder dat de groepjes te groot worden.

2. De Oplossing: "Koppelen" en "Verspreiden"

De auteurs zeggen: "Laten we twee dingen doen die normaal gesproken tegenstrijdig lijken, maar hier juist samenwerken."

Stap 1: Matchen (Het "Tweeling"-principe)

Je zoekt eerst bloemen die heel erg op elkaar lijken. Bijvoorbeeld, twee bloemen met exact dezelfde grondsoort, zonlicht en leeftijd. Je koppelt ze aan elkaar.

• Analogie: Je zoekt een tweeling. Ze zijn bijna identiek. Als je ze iets anders geeft, kun je het verschil heel goed meten, omdat de achtergrond hetzelfde is.

Stap 2: Koppelen met Verspreiding (Het "Gegoten IJs" principe)

Nu komt de magische truc. In plaats van dat je binnen die paar bloemen willekeurig water geeft, zorg je ervoor dat ze extreem verschillend worden behandeld.

• Als Bloem A (de ene tweeling) 1 liter krijgt, krijgt Bloem B (de andere tweeling) direct 50 liter.
• Als je een groepje van 10 bloemen hebt die allemaal op elkaar lijken, zorg je dat ze de hele spectrum van waterhoeveelheden bestrijken: 1, 10, 20, 30... tot 100 liter.

Waarom werkt dit?
Stel je voor dat je een berg wilt meten.

• Als je meten doet op plekken die dicht bij elkaar liggen (alleen kleine verschillen in water), is het moeilijk om de vorm van de hele berg te zien.
• Maar als je op plekken meet die ver uit elkaar liggen (van de voet tot de top), zie je de hele vorm van de berg veel sneller en scherper.

De auteurs noemen dit Dispersion (Verspreiding). Ze gebruiken wiskundige technieken (uit de Monte Carlo-integratie en Optimal Transport) om ervoor te zorgen dat de behandelingen binnen een groepje "uit elkaar geduwd" worden, alsof ze repelleren (elkaar afstoten) in plaats van bij elkaar te blijven.

3. De Gouden Formule

De paper zegt dat de kwaliteit van je experiment afhangt van twee dingen die je vermenigvuldigt:

Efficiëntie = Matchkwaliteit × Verspreiding

• Matchkwaliteit: Hoe goed lijken de mensen in je groepje op elkaar? (Hoe meer op elkaar, hoe beter).
• Verspreiding: Hoe ver uit elkaar liggen de behandelingen binnen dat groepje? (Hoe verder uit elkaar, hoe beter).

De oude methoden waren vaak bang dat als je de behandelingen te ver uit elkaar duwde, je de groepjes te groot zou moeten maken (en dan waren ze niet meer op elkaar gelijkend). Deze nieuwe methode lost dat op: je kunt kleine groepjes houden (hoog matchkwaliteit) en toch zorgen dat de behandelingen ver uit elkaar liggen (hoog verspreiding).

4. Voorbeelden uit de echte wereld

De auteurs laten zien hoe dit werkt in twee leuke voorbeelden:

1. Geld geven (Ontwikkelingseconomie):
   Je wilt weten hoeveel geld huishoudens nodig hebben om hun consumptie te verhogen. In plaats van alleen €0 of €100 te geven, geef je willekeurige bedragen. Met hun methode geef je aan een groepje van 5 vergelijkbare huishoudens: €5, €25, €50, €75 en €95. Omdat ze op elkaar lijken, zie je precies hoe de curve loopt zonder duizenden mensen nodig te hebben.

2. Restaurantkeuzes (Tweezijdige markten):
   Stel je bent een app als Uber Eats. Je wilt weten welke restaurants mensen kiezen. Er zijn duizenden restaurants met verschillende prijzen, soorten eten en ratings.

   • Oude manier: Je toont willekeurig een restaurant. Soms krijg je twee restaurants die heel veel op elkaar lijken (bijv. twee Italiaanse pizza's). Je leert dan weinig.
   • Nieuwe manier: Je zoekt twee gebruikers die op elkaar lijken. Je toont de één een dure sushi-restaurant en de ander een goedkope taco-stand. Je "verspreidt" de opties zo dat je in één keer leert over de hele wereld van eten, in plaats van alleen over pizza's.

5. Waarom is dit belangrijk?

Tot nu toe was het heel moeilijk om goede experimenten te doen als je behandeling niet simpel was (zoals "ja/nee"). Je moest vaak kiezen tussen:

• Simpele experimenten (goedkoop, maar weinig info).
• Complexe experimenten (veel info, maar heel duur en onnauwkeurig).

Deze paper geeft een "wiskundige sleutel" die het mogelijk maakt om complexe experimenten (met continue getallen, tekst, of afbeeldingen) te doen met dezelfde precisie als simpele experimenten. Het maakt onderzoekers slimmer, goedkoper en sneller.

Kort samengevat:
Het is alsof je in plaats van dat je blindelings dobbelstenen gooit, een slimme planner gebruikt die eerst vrienden zoekt die op elkaar lijken, en ze vervolgens een opdracht geeft waarbij ze elk een heel ander deel van de taak doen. Zo leer je het snelst en het beste over hoe de wereld werkt.

Technische samenvatting

Titel: Koppelingsontwerpen voor gerandomiseerde experimenten met complexe behandelingen

Auteurs: Max Cytrynbaum (Yale University) en Fredrik Sävje (Uppsala University)
Datum: April 2026

---

1. Het Probleem

Traditionele gerandomiseerde experimenten vertrouwen vaak op stratificatie (bijv. gepaarde randomisatie of $k$-tupels) om de schattingsefficiëntie te verbeteren. Bij deze methoden worden eenheden met vergelijkbare covariaten in groepen samengebracht en krijgen ze verschillende behandelingen toegewezen. Dit werkt uitstekend voor discrete behandelingen (bijv. behandelgroep vs. controlegroep).

Echter, moderne experimenten in economie en sociale wetenschappen vereisen steeds vaker complexe behandelingen:

• Continue behandelingen: Bijvoorbeeld geldbedragen in een ontwikkelingsproject ($d \in [0, u]$).
• Beperkte multivariate ruimten: Bijvoorbeeld combinaties van hulpbronnen met een vast budget.
• Onregelmatige ruimten: Bijvoorbeeld tekst, afbeeldingen of discrete keuzes in een groot aanbod (zoals restaurants op een platform).

De uitdaging:

1. Bij continue behandelingen is stratificatie onmogelijk omdat er oneindig veel behandelingsniveaus zijn.
2. Als men de behandeling discretiseert (bijv. in 20 niveaus) om stratificatie toe te passen, neemt de kwaliteit van de matching (het vinden van vergelijkbare eenheden binnen een groep) snel af naarmate het aantal niveaus ($k$) toeneemt.
3. Bestaande methoden voor optimalisatie of her-randomisatie zijn niet ontworpen voor deze complexe, continue of onregelmatige behandelingsruimten.

---

2. Methodologie: Koppelingsontwerpen (Coupling Designs)

De auteurs introduceren een nieuwe familie van ontwerpen die het principe van stratificatie uitbreidt door koppelingsmethoden (coupling techniques) te combineren met optimal transport. Het ontwerp verloopt in drie stappen:

1. Matching (Aanpassing): Experimentele eenheden worden gematcht in homogene groepen (k-tupels) op basis van covariaten ($X_i$). Het doel is om groepen te vormen waar de potentiële uitkomsten $Y_i(\cdot)$ binnen de groep zo gelijk mogelijk zijn.
2. Dispersie (Verspreiding): Binnen elke groep worden behandelingen getrokken uit een gezamenlijke verdeling (een koppeling $G$) met vaste marginaalverdelingen $F$, maar zo dat de behandelingen hoog verspreid (dispersed) zijn over de behandelingsruimte $D$.
   • In plaats van onafhankelijke randomisatie, worden behandelingen binnen een groep negatief gecorreleerd.
   • Dit wordt bereikt door Monte Carlo-integratietechnieken (zoals antithetic variates, Latin Hypercube Sampling, rotation sampling) te combineren met optimal transport maps.
3. Transport: Een meetkundig behoudende afbeelding (transport map) $T: [0,1]^m \to D$ wordt gebruikt om uniforme steekproeven naar de specifieke behandelingsruimte $D$ te transformeren, zodat de juiste marginaalverdeling $F$ wordt gehandhaafd. Voor complexe ruimten wordt de Brenier-map (oplossing van het optimale transportprobleem) gebruikt.

Kernidee: Door eenheden met vergelijkbare responsfuncties ($Y_i \approx Y_j$) behandelingen toe te wijzen die ver uit elkaar liggen in de behandelingsruimte, worden spurious correlaties tussen behandeling en eenheidspecifieke heterogeniteit geminimaliseerd.

---

3. Belangrijkste Bijdragen

1. Nieuwe Familie van Ontwerpen: De auteurs ontwikkelen een raamwerk voor gerandomiseerde experimenten met continue, beperkte multivariate en onregelmatige behandelingsruimten. Ze combineren optimal transport met koppelingsmethoden uit de Monte Carlo-literatuur.
2. Theorie van Efficiëntie (Dispersion $\times$ Match Quality):
   • Ze definiëren twee kernconcepten: Dispersion (hoe verspreid de behandelingen zijn binnen een groep) en Match Quality (hoe homogeen de eenheden binnen een groep zijn).
   • Ze tonen aan dat de winst in efficiëntie evenredig is met het product van deze twee factoren:
     $$\text{Efficiency Gain} \propto \text{Dispersion} \times \text{Match Quality}$$
   • Ze introduceren een spectrale analyse waarbij de efficiëntie afhangt van de overlap tussen de "invloedfuncties" (influence functions) van de schatter en de hoofdrichtingen (eigenvectoren) van de koppelingsoperator.
3. Asymptotische Theorie en Inferentie:
   • Ze bewijzen asymptotische normaliteit voor parametrische schatters onder deze ontwerpen.
   • Ze ontwikkelen consistente variantieschatters die geldige inferentie (betrouwbaarheidsintervallen) mogelijk maken, zelfs bij complexe behandelingsruimten.

---

4. Technische Resultaten en Analyse

A. Spectrale Analyse en Eigenspaces

De auteurs definiëren een koppelingsoperator $U_G$. De eigenspaces van deze operator vertegenwoordigen de "hoofdrichtingen" van de koppelingsstrategie.

• De dispersie van een functie $\phi$ (zoals een invloedfunctie) kan worden ontbonden over deze eigenspaces.
• Resultaat: Een ontwerp is efficiënt als de invloedfuncties van de schatter goed worden benaderd door eigenspaces met hoge dispersie.
• Vergelijking van Ontwerpen:
  • Latin Hypercube Sampling (LHS): Produceert hoge dispersie voor een brede klasse van gladde functies (niet-parametrisch). Het is robuust.
  • Rotation Sampling: Produceert ook hoge dispersie, maar is minder robuust tegen cyclische invloedfuncties (kan in het slechtste geval de efficiëntie verminderen).
  • Gaussian Copula: Produceert hoge dispersie alleen voor lineaire invloedfuncties. Voor niet-lineaire functies presteert het slecht, wat een sterke parametrische restrictie oplegt.

B. De Trade-off: Tuple Grootte ($k$)

Er bestaat een fundamentele afweging tussen de grootte van de groep ($k$) en de efficiëntie:

• Kleine $k$ (bijv. $k=2$): Hoge matchkwaliteit (makkelijk om perfecte paren te vinden), maar beperkte mogelijkheid om behandelingen sterk te verspreiden.
• Grote $k$: Hoge potentiële dispersie (makkelijker om de ruimte te bedekken), maar lage matchkwaliteit (moeilijker om veel vergelijkbare eenheden te vinden).
• Optimum: De auteurs tonen aan dat de maximale efficiëntie vaak wordt bereikt bij een gemiddelde $k$ (bijv. $k=4$), waarbij een evenwicht wordt gevonden tussen matchkwaliteit en dispersie.

C. Covariatenbalans

Net als bij traditionele stratificatie voorkomen koppelingsontwerpen spurious correlaties tussen covariaten en behandelingen. Ze bewijzen dat de onbalans (covariate imbalance) afneemt naarmate het product van dispersie en matchkwaliteit toeneemt. Dit maakt covariatenbalans mogelijk in complexe ruimten waar stratificatie anders onmogelijk zou zijn.

D. Asymptotische Eigenschappen

• Consistentie: De schatters zijn uniform $\sqrt{n}$-consistent onder zwakke voorwaarden.
• Normaliteit: Onder de Lindeberg-Feller voorwaarden (en als $k = o(n^{1/3})$) is de schatter asymptotisch normaal verdeeld.
• Variantieschatting: Ze introduceren een "collapsed strata" schatter voor de variantie die conservatief is (over-schat de variantie), wat leidt tot geldige, zij het soms iets te brede, betrouwbaarheidsintervallen.

---

5. Illustratieve Toepassingen

De auteurs illustreren de methode met drie voorbeelden:

1. Cash Transfers (Ontwikkelingseconomie): Schatting van de dosis-respons curve voor continue geldbedragen. Traditionele stratificatie faalt hier; koppelingsontwerpen laten toe om eenheden met vergelijkbare basiskenmerken zeer verschillende bedragen toe te wijzen.
2. Discrete Choice (Tweezijdige Markten): Het testen van producten (bijv. restaurants) met onregelmatige kenmerken. Het ontwerp verspreidt producten over de ruimte van kenmerken binnen gematchte gebruikersgroepen.
3. Text/Image Treatments: Correspondentiestudies waarbij sollicitanten met verschillende teksten/foto's worden getest. Het ontwerp zorgt voor een verspreiding van deze hoge-dimensionale features binnen gematchte vacatures.

---

6. Betekenis en Conclusie

Dit artikel biedt een fundamentele doorbraak in het ontwerp van gerandomiseerde experimenten.

• Uitbreiding van Stratificatie: Het breidt het klassieke idee van stratificatie uit naar continu en onregelmatig domeinen, wat eerder als onoplosbaar werd beschouwd.
• Efficiëntie: Het biedt een theoretisch onderbouwde manier om de efficiëntie van schatters te maximaliseren door de interactie tussen de structuur van de schatter (gladheid) en het randomisatieontwerp te optimaliseren.
• Praktische Toepasbaarheid: De methode is toepasbaar op een breed scala aan moderne economische en sociale experimenten, van beleidsevaluaties tot A/B-testing in digitale platformen.

De kernboodschap is dat door homogene groepen te koppelen met hoog verspreide behandelingen, onderzoekers de voordelen van stratificatie kunnen behouden zonder vast te lopen in de beperkingen van discrete behandelingsniveaus of de curse of dimensionality bij het vinden van perfecte matches.