📊 statistics

Experimental Design When N Equals One

Dit artikel stelt een Markoviaans raamwerk voor N-of-1 experimenteel ontwerp voor dat de schattingsfout minimaliseert onder een impulsresponsmodel van eindige orde, waarbij de asymptotische theorie voor optimale random-switch en cycle-switch ontwerpen wordt vastgesteld en de robuustheid van i.i.d. Bernoulli-toewijzingen wordt gevalideerd.

Oorspronkelijke auteurs: Wenxuan Guo, Tengyuan Liang

Gepubliceerd 2026-06-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wenxuan Guo, Tengyuan Liang

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

Stel je voor dat je een arts bent die probeert uit te zoeken of een nieuwe pil helpt bij één specifieke patiënt. Je kunt de pil niet simpelweg één keer geven en dan controleren; je moet het geven, weer weghalen, opnieuw geven en weer weghalen, steeds opnieuw. Dit wordt een N-of-1 trial genoemd (een trial met één persoon).

De grote vraag die dit artikel beantwoordt is: Wat is het beste schema om de pil toe te dienen?

Moet je elke ochtend een muntje opgooien om te beslissen? Moet je de pil een week lang geven, en dan een week stoppen? Of moet je elk uur wisselen?

De auteurs, Wenxuan Guo en Tengyuan Liang, stellen dat het "beste" schema volledig afhangt van welke specifieke vraag je probeert te beantwoorden. Ze hebben een wiskundig kader gebouwd om het perfecte ritme voor deze experimenten te vinden.

Hier is de uiteenzetting van hun bevindingen met behulp van eenvoudige analogieën:

1. Het Probleem: Het "Echo"-effect

Wanneer je een behandeling geeft (zoals een pil), stopt het effect niet altijd op het moment dat je stopt met geven. Het blijft hangen. Als je een pijnstiller neemt, kan het een uur helpen en daarna vervagen. Als je er direct weer een neemt, kunnen de effecten overlappen.

In de taal van het artikel wordt dit temporele afhankelijkheid genoemd. De auteurs modelleren het behandelingsschema als een Markov-keten. Denk aan dit als een "emotie-ring" voor het experiment:

Als de patiënt momenteel de pil krijgt, wat is de kans dat ze die morgen ook krijgen?
Als ze de pil niet krijgen, wat is de kans dat ze morgen wel overstappen naar de pil?

Door deze "overgangskansen" aan te passen, controleer je hoe de behandeling door de tijd heen stroomt.

2. De Twee Hoofdvragen (en de Twee Beste Antwoorden)

Het artikel stelt dat er niet één "magisch" schema is. Het beste schema verandert op basis van wat je wilt meten.

Scenario A: "Hoe werkt de pil op dit moment?" (Lag-specifieke effecten)

Het Doel: Je wilt het effect weten van de pil die vandaag is ingenomen op de pijn van vandaag, waarbij je de effecten van gisteren negeert.
Het Beste Schema: Willekeurige muntopgooi.

De Analogie: Stel je voor dat je elke ochtend een muntje opwerpt. Kop = Pil, Munt = Placebo.
De Bevinding: De wiskunde bewijst dat als je het directe effect wilt isoleren, je willekeurig moet wisselen met een kans van 50/50. Dit verbreekt elk "echo"-effect of patroon. Het is de meest robuuste manier om het pure, onmiddellijke signaal te zien zonder de ruis uit het verleden.
Claim van het artikel: Voor het schatten van specifieke, vertraagde (lagged) effecten, is het optimale ontwerp in essentie onafhankelijke randomisatie (zoals een eerlijke muntopgooi).

Scenario B: "Wat is het totale voordeel van het slikken van de pil?" (Cumulatieve effecten)

Het Doel: Je wilt de totale impact weten van het slikken van de pil over een lange periode (bijv. "Verlaagt het slikken van deze pil mijn bloeddruk gedurende een maand?").
Het Beste Schema: Lange, Stabiele Blokken.

De Analogie: Stel je een "switchback"-patroon voor. Je neemt de pil gedurende een lange periode (bijv. 10 dagen), dan stop je 10 dagen, en dan begin je weer.
De Bevinding: Als je te vaak wisselt (zoals bij een muntopgooi), vertroebelt de "echo" van de vorige dagen het beeld. Om het totale effect te zien, heb je lange, ononderbroken perioden van behandeling en controle nodig.
Het "Sweet Spot": Het artikel berekent een specifiek "magisch getal" voor de lengte van deze blokken. Het suggereert dat de bloklengte ongeveer gelijk moet zijn aan de "echo" (hoe lang de pil werkt) plus een beetje extra (specifiek, $K + \sqrt{K}$ , waarbij $K$ de lag-lengte is).
Claim van het artikel: Voor cumulatieve effecten bestaat het optimale ontwerp uit lange, deterministische cycli in plaats van willekeurige wisselingen.

3. Het "Robuuste" Compromis

Wat als je niet precies weet waar je naar op zoek bent? Wat als je een schema wilt dat voor alles redelijk werkt?

De Bevinding: Als je een ontwerp wilt dat veilig is en goed werkt voor elke vraag (een "minimax"-benadering), moet je teruggaan naar de Willekeurige Muntopgooi (50/50).
De Analogie: Het is als het dragen van een regenjas. Het is misschien niet de meest modieuze outfit voor een zonnige dag (specifieke cumulatieve effecten), maar het beschermt je tegen nat worden, ongeacht welk weer het wordt. Het artikel laat zien dat randomisatie de meest "robuuste" strategie is tegen fouten in het model.

4. Wat gebeurt er als de wiskunde niet klopt? (Misspecificatie)

De auteurs hebben hun ontwerpen getest tegen "gebroken" modellen.

De Test: Wat als de pil eigenlijk een verborgen tijdstrend heeft (zoals beter worden simpelweg omdat de tijd verstrijkt) die de wiskunde niet heeft meegenomen?
Het Resultaat: De Random Switch-ontwerpen (muntopgooi) waren zeer veerkrachtig en gaven nog steeds goede antwoorden. De Block/Cycle-ontwerpen (lange perioden) waren kwetsbaarder; als de wiskunde slechts een klein beetje fout was, konden de lange blokken leiden tot grote fouten (bias).

Samenvatting van de "Vuistregels"

Volgens het artikel:

Als je het effect van een enkele dosis nú wilt weten: Gooi elke keer een muntje op. Wissel willekeurig.
Als je het totale effect van een maand behandeling wilt weten: Wissel minder vaak. Gebruik lange blokken van behandeling gevolgd door lange blokken van rust. De lengte van het blok moet iets langer zijn dan de tijd die het duurt voordat de behandeling uitwerkt.
Als je het niet zeker weet of een veilige keuze wilt maken: Gooi een muntje op. Dit is de meest betrouwbare "allrounder".

Het artikel biedt in feite een "menu" voor wetenschappers: vertel ons wat je wilt meten, en wij vertellen je het exacte ritme (de overgangskans of bloklengte) om het duidelijkste antwoord te krijgen.

Technische Samenvatting: Experimenteel Ontwerp bij N Gelijk Aan Eén

Probleemstelling

N-of-1-trials (of tijdreeks-experimenten) betre involve de herhaalde randomisatie van behandelings-toewijzingen voor een enkele experimentele eenheid over de tijd. Hoewel breed gebruikt in klinisch onderzoek en online platforms, blijft het theoretisch optimale ontwerp voor het schatten van diverse behandelings-effecten onduidelijk. Een centrale moeilijkheid is dat verschillende doel-estimanden (bijv. lag-specifieke effecten versus cumulatieve effecten) verschillende vormen van temporele afhankelijkheid in het pad van de behandelings-toewijzing bevoordelen. Bestaande literatuur leunt vaak op specifieke design-gebaseerde benaderingen of onafhankelijke toewijzingen, maar een algemeen kader dat flexibel verschillende effecten kan targeten terwijl het optimaliteitsgaranties biedt, ontbreekt. Bovendien zijn optimale ontwerpen voor specifieke estimanden, met name klassen van estimanden, slecht gekarakteriseerd.

Methodologie

De auteurs stellen een Markoviaans kader voor experimenteel ontwerp voor waarbij het pad van de behandelings-toewijzing $Z_1, \dots, Z_T$ wordt gemodelleerd als een Markov-keten die wordt beheerst door tijdsvariërende transitie-matrices $P_t$ . De toestanden komen overeen met controle (0) en behandeling (1), waarbij de transitiekansen worden gedefinieerd door parameters $\rho_t$ (kans op wisselen van 0 naar 1) en $\gamma_t$ (kans op wisselen van 1 naar 0).

Om het ontwerp-doel te definiëren, hanteert het artikel een finite-order impulse-response model:
$Y_t = \alpha + \sum_{k=1}^K \beta_k Z_{t-k+1} + \epsilon_t$
waarbij uitkomsten additief afhangen van de huidige en voorgaande $K-1$ behandelings-toewijzingen. De doel-estimand is een lineaire combinatie van de impulse-response coëfficiënten, $\tau_w = \sum w_k \beta_k$ . Het ontwerp-doel is het minimaliseren van de asymptotische schattingsvariantie van de Ordinary Least Squares (OLS) estimator voor $\tau_w$ .

De auteurs analyseren twee gestructureerde subklassen van Markoviaanse ontwerpen om theoretische inzichten te verkrijgen:

Random-Switch Designs: Gekenmerkt door constante transitie-kansen ( $\rho_t = \rho, \gamma_t = \gamma$ ). De ontwerp-ruimte wordt gereduceerd tot het optimaliseren van de schakel-kansen.
Cycle-Switch Designs: Deterministische ontwerpen waarbij de behandelings-status elke $l$ tijdspunten wisselt. De ontwerp-ruimte wordt gereduceerd tot het optimaliseren van de blok-lengte $l$ .

De optimalisatie wordt geformuleerd als een minimax-probleem (robuust ontwerp), het minimaliseren van de worst-case of specifieke schattingsvariantie over een verzameling kandidaat-ontwerpen en estimanden. De theoretische analyse steunt op large- $T$ asymptotica, gebruikmakend van de eigenschappen van Kac–Murdock–Szegő (KMS) matrices en ergodische stellingen voor Markov-ketens.

Belangrijkste Bijdragen en Resultaten

1. Algemeen Ontwerp-kader

Het artikel vestigt een verenigd kader dat bestaande ontwerpen (onafhankelijke toewijzingen, regelmatige switchbacks, deterministische alternatie) omvat als speciale gevallen van Markoviaanse toewijzing. Het biedt een principieel middel om temporele afhankelijkheid te controleren via transitie-kansen.

2. Optimale Schakel-kansen (Random-Switch Designs)

Voor targeted design optimization (minimaliseren van variantie voor een specifieke $w$ ):

Lag-specifieke effecten: Het optimale ontwerp convergeert naar $\rho = \gamma = 1/2$ , wat overeenkomt met i.i.d. Bernoulli(1/2) randomisatie.
Cumulatieve effecten: De optimale schakel-kans beweegt naar de grens ( $\rho, \gamma \to 0$ ), wat impliceert dat er lange, ononderbroken perioden van behandeling en controle zijn. Dit leidt echter tot slecht gedrag in de limiterende ontwerpen waar OLS mogelijk ongedefinieerd is.
Algemene effecten: De optimale schakel-kans wordt bepaald door een kwadratische vergelijking die de vector $w$ betreft, waarbij een balans wordt gezocht tussen marginale variatie en temporele persistentie.

Voor robust design optimization (minimaliseren van de worst-case variantie over alle genormaliseerde lineaire combinaties van lag-effecten):

Het optimale ontwerp is i.i.d. Bernoulli(1/2) randomisatie ( $\rho = \gamma = 1/2$ ). Dit biedt een formele rechtvaardiging voor de robuustheid van onafhankelijke toewijzingen in N-of-1 trials, consistent met bevindingen in dwarsdoorsnede-settings.

3. Optimale Blok-lengtes (Cycle-Switch Designs)

Om de grensgevallen aan te pakken waar random-switch ontwerpen falen (bijv. cumulatieve effecten):

Cumulatieve effecten: De optimale blok-lengte is ongeveer $l^* \approx K + \sqrt{K}$ . Dit balanceert de behoefte aan lange perioden (om cumulatieve effecten te vangen) tegen de variantie-inflatie veroorzaakt door grote blokken.
Lag-specifieke effecten: De optimale blok-lengte is $l^* = K$ . Dit zorgt voor de identificeerbaarheid van alle lag-specifieke effecten terwijl de variantie wordt geminimaliseerd.
Robuuste ontwerpen: De optimale blok-lengte is $l^* = K$ . Kortere blokken leiden tot rank-deficiënte covariantie-matrices (niet-identificeerbaarheid), terwijl langere blokken de variantie lineair verhogen.

4. Simulatie en Robuustheid

Simulaties tonen aan dat:

Random-switch ontwerpen de kleinste schattingsvariantie bereiken voor lag-specifieke effecten en robuust blijven onder diverse model-specificaties, inclus\text{bij} model-misspecificatie (bijv. niet-gemodelleerde tijdstrends).
Cycle-switch ontwerpen andere ontwerpen overtreffen voor het schatten van cumulatieve effecten in eindige steekproeven, maar vertonen een hogere bias onder bepaalde misspecificaties (bijv. niet-gemodelleerde tijdstrends).
De voorgestelde ontwerpen over het algemeen beter presteren dan state-of-the-art alternatieven zoals optimal regular switchback experiments (ORSB) wanneer de doel-estimand niet puur gericht is op carryover-effecten.

5. Verbinding met Design-gebaseerde Inferentie

Het artikel verbindt de model-gebaseerde OLS-estimator met design-gebaseerde inferentie. Het toont aan dat onder random-switch ontwerpen de OLS-estimator convergeert naar een lineaire projectie van conditional-outcome contrasten. Onder i.i.d. Bernoulli randomisatie of lineaire additieve potential outcomes, komt deze limiet overeen met de lag-specifieke behandelings-effect estimand bestudeerd door Lin en Ding [2025], wat de causale interpretatie van de estimator valideert, zelfs zonder strikte naleving van het lineaire impulse-response model.

Betekenis en Claims

De auteurs claimen dat hun werk een algemeen ontwerp-kader biedt dat flexibel verschillende behandelings-effecten kan targeten terwijl het optimaliteitsgaranties biedt. Door de optimale temporele structuur te karakteriseren via schakel-kansen en blok-lengtes, rechtvaardigt het artikel de robuustheid van i.i.d. Bernoulli ontwerpen voor lag-specifieke en robuuste doelstellingen, terwijl het kwantificeert hoe optimale ontwerpen moeten afwijken (bijv. langere blokken) voor cumulatieve effecten.

Het artikel benadrukt een afweging tussen generaliteit en interpreteerbaarheid: door een model-gebaseerde benadering (impulse-response) te adopteren, offeren zij enige generaliteit op vergeleken met non-parametrische design-gebaseerde methoden, maar winnen zij een verenigd kader voor ontwerp-optimalisatie en een duidelijkere interpreteerbaarheid van de estimanden. De resultaten bieden praktische richtlijnen voor experimentatoren om ontwerpen te selecteren die zijn afgestemd op hun specifieke wetenschappelijke doelstellingen (bijv. het kiezen van cycle-switch ontwerpen voor cumulatieve effecten en random-switch ontwerpen voor lag-specifieke effecten).

De auteurs merken bescheiden op dat hoewel hun kader model-gebaseerd is, het onder specifieke condities aansluit bij design-gebaseerde inferentie. Zij identificeren ook het uitbreiden van het kader naar panel-experimenten (meerdere experimentele eenheden) als een veelbelovende richting voor toekomstig werk.