Technische Samenvatting: De Limieten van Experimenteel Ontwerp – Covariaatbalans Voorbij Lage Dimensies

1. Probleemstelling

Het artikel behandelt een fundamentele spanning in het experimenteel ontwerp: de afruil tussen het bereiken van semiparametrische efficiëntie (het minimaliseren van de variantie van de estimator van het gemiddelde behandelingseffect) en de vloek van dimensionaliteit in eindige steekproeven.

Hoewel recent theoretisch werk (bijv. Bai et al., 2022, 2026b) heeft vastgesteld dat fijn gestratificeerde ontwerpen zoals gepaarde steekproeven (matched pairs) asymptotisch de Hahn (1998) semiparametrische efficiëntie-ondergrens kunnen bereiken, rusten deze resultaten op sterke aannames. Specifiek vereisen ze dat de verschillen tussen covariaten binnen gematchte groepen asymptotisch naar nul gaan. Het artikel betoogt dat dit in eindige steekproeven met hoogdimensionale covariaten ($d$) in de praktijk onmogelijk is. De afstand tussen dichtstbijzijnde buren in $d$ dimensies neemt af met een snelheid van $n^{-1/d}$, wat impliceert dat het bereiken van bijna perfecte matches over "verschillende tientallen" covariaten met duizenden eenheden onhaalbaar is.

Het kernproblein is het kwantificeren van hoe snel experimentele ontwerpen de efficiëntie-ondergrens $V^*$ uniform over klassen van uitkomstmodellen benaderen, en het bepalen van de limieten van deze convergentie als functie van de steekproefomvang $n$, de covariantiedimensie $d$ en de gladheid van de uitkomst.

2. Methodologie en Raamwerk

2.1 Excess Variantie als Imbalans

De auteur definieert de prestatie metriek als de excess variantie $V_n$, het gat tussen de eindige steekproefvariantie van de ongecorrigeerde Horvitz-Thompson estimator en de semiparametrische efficiëntie-ondergrens $V^*$.
$$V_n \equiv n \text{Var}(\hat{\theta}) - V^*$$
Met behulp van Proposition 2.3 stelt het artikel vast dat de excess variantie exact wordt bepaald door de in-sample imbalans van het uitkomstmodel $m(\psi) = E[(Y(1) + Y(0))/2 | \psi]$:
$$V_n = 4n \cdot E\left[ \left( \frac{1}{n} \sum_{i=1}^n Z_i m(\psi_i) \right)^2 \right]$$
waarbij $Z_i \in \{-1, 1\}$ de gecentreerde behandelingsassignatie is. Dit herformuleert efficiëntie als een functie-balanceringsprobleem.

2.2 Analytische Instrumenten

• Minimax Analyse: Het artikel leidt boven- en ondergrenzen af voor $V_n$ over specifieke functieklassen (Hölder, Sobolev en beperkte complexiteit niet-parametrische klassen).
• Gram-Schmidt Walk (GSW): De methodologie maakt gebruik van het vector-balanceringsalgoritme van Bansal et al. (2019) en Harshaw et al. (2024). De auteur "kerneliseert" dit algoritme door een design-kernel $K$ te gebruiken om een positief semidefiniete inputmatrix $\Gamma_n$ te construeren. Dit maakt het mogelijk om functies te balanceren binnen een Reproducing Kernel Hilbert Space (RKHS) in plaats van alleen lineaire functies.
• Functieklassen:
  • Hölder-klassen ($\mathcal{P}_\beta$): Voor ruwe, niet-gladde uitkomsten.
  • Sobolev-ruimten ($H^s$): Voor gladde uitkomsten, geparametriseerd door de gladheid-orde $s$.
  • Classes met Beperkte Complexiteit: Additieve modellen ($g(\psi) = a + \sum g_j(\psi_j)$) en bivariate interactiemodellen, ontworpen om zelfs wanneer $d$ groot is, gebalanceerd te kunnen worden.

3. Belangrijkste Bijdragen en Resultaten

3.1 De Onmogelijkheid van Uniforme Efficiëntie in Hoge Dimensies

Het artikel bewijst een centraal onmogelijkheidstheorema (Theorem 3.1, Corollary 3.2, Theorem 4.9):

• Matched Pairs: Geen enkel matching-schema kan garanderen dat de excess variantie sneller dan $n^{-2/d}$ verdwijnt, zelfs niet voor lineaire (oneindig gladde) uitkomstmodellen.
• Algemene Ontwerpen: Geen enkel admissibel experimenteel ontwerp kan uniforme asymptotische efficiëntie (convergentie naar $V^*$) garanderen buiten het regime waar $d = o(\log n)$.
• Implicatie: Voor experimenten met duizenden eenheden gelden standaard efficiëntiegaranties alleen voor een "handvol" covariaten. Daarbuiten voorkomt de vloek van dimensionaliteit elk ontwerp om uniform de klassieke efficiëntie-ondergrens te benaderen, ongeacht de gladheid van het uitkomstmodel.

3.2 Optimaliteit van Matching voor Ruwe Modellen

Hoewel matching inefficiënt is voor gladde modellen in hoge dimensies, stelt het artikel vast dat het minimax optimaal is voor ruwe uitkomstmodellen (Hölder-klassen met $\beta \in (0, 1]$) in vaste lage dimensies (Theorem 3.4, Corollary 3.6). Stabiele matchings bereiken de snelheid $V_n \asymp n^{-2\beta/d}$. Deze trage snelheid is de "prijs van robuustheid" onder zwakke aannames; matching kan geen gladheid exploiteren die verder gaat dan het Lipschitz-eindpunt ($\beta=1$).

3.3 Niet-parametrische GSW en Adaptatie aan Gladheid

Om gladheid te exploiteren, stelt de auteur Kernelized GSW-ontwerpen voor:

• Adaptieve Snelheden: Een enkele sequentie van GSW-ontwerpen, gebruikmakend van een Matérn-kernel met een tuning parameter $\nu_n = c/\log n$, past zich aan aan onbekende Sobolev-gladheid $s > 0$ zonder voorafgaande kennis.
• Convergentiesnelheden: Het ontwerp bereikt een excess variantie snelheid van $V_n \asymp (\frac{\log n}{n})^{(2s/d) \wedge 1}$.
  • Wanneer $2s \leq d$, is de snelheid $n^{-2s/d}$.
  • Wanneer $2s > d$, is de snelheid bijna parametrisch ($n^{-1}$), tot aan logaritmische factoren.
• Beperking: Zelfs deze adaptieve ontwerpen kunnen de $d = o(\log n)$ barrière voor volledige efficiëntie niet overwinnen.

3.4 Efficiënte Ontwerpen Voorbij Lage Dimensies (Beperkte Complexiteit)**

Gemotiveerd door het onmogelijkheidstheorema, stelt het artikel voor om niet-parametrische klassen met beperkte complexiteit (bijv. additieve of bivariate modellen) te balanceren in plaats van de volledige functieruimte.

• Additieve en Bivariate Ontwerpen: Door te richten op functieklassen zoals $g(\psi) = a + \sum g_j(\psi_j)$, kunnen de ontwerpen veel hogere dimensies accommoderen:
  • Additieve modellen: Maken $d = o(n)$ covariaten mogelijk.
  • Bivariate interactiemodellen: Maken $d = o(\sqrt{n})$ covariaten mogelijk.
• Variantiedoel: Deze ontwerpen benaderen een doel $V^* + \Delta_G$, waarbij $\Delta_G$ de variantie-kloof is door niet-gemodelleerde variatie. Als het werkende model een goede benadering is, ligt dit doel dicht bij $V^* maar is het tegen een veel hogere snelheid bereikbaar.

3.5 Robuustheid via Matched GSW

De auteur combineert gestructureerde GSW met matching om bescherming te bieden tegen niet-gemodelleerde variatie (Section 5.2).

• Mechanisme: Matching controleert de lokale variatie binnen paren ($m - m_G$), terwijl GSW de globale imbalans van het gestructureerde component ($m_G$) controleert.
• Resultaat: Het resulterende "Matched GSW"-ontwerp behoudt de snelle convergentiesnelheden voor het gestructureerde deel terwijl het de robuustheid van matching biedt tegen de residu. Theorem 5.6 laat zien dat als het residu Hölder-continu is, de totale excess variantie begrensd wordt door de som van de matching-snelheid voor het residu en de GSW-snelheid voor het gestructureerde deel.

3.6 Empirische Toepassing

Het artikel evalueert deze ontwerpen met behulp van Monte Carlo-simulaties gekalibreerd op 12 gepubliceerde gerandomiseerde experimenten in de economie (steekproefomvang $n \in [96, 1200]$, dimensie $d \in [7, 51]$).

• Bevindingen:
  • Additieve en bivariate niet-parametrische GSW-ontwerpen verminderen de estimator-variantie ten opzichte van klassieke gepaarde steekproeven in elk empirische scenario.
  • Full-dimensional GSW presteert gemiddeld vergelijkbaar met gepaarde steekproeven.
  • Matched Additive GSW presteert het beste overall, en biedt de grootste reductie in variantie en kortere betrouwbaarheidsintervallen, terwijl de nominale dekking (ca. 94,8%) behouden blijft.
• Inferentie: De auteur ontwikkelt een nieuwe design-gebaseerde, covariaat-gecorrigeerde variantie-estimator voor Matched GSW, die conservatief is voor de Sample Average Treatment Effect (SATE) en asymptotisch niet-conservatief voor de ATE.

4. Betekenis en Claims

Het artikel claimt de eerste efficiëntietheorie voor eindige steekproeven te bieden die expliciet de afhankelijkheid van steekproefomvang, covariatendimensie en uitkomstcomplexiteit karakteriseert.

• Theoretische Verschuiving: Het daagt de heersende opvatting uit dat fijn gestratificeerde ontwerpen universeel efficiënt zijn, door aan te tonen dat deze efficiëntie strikt beperkt is tot laagdimensionale regimes ($d \ll \log n$).
• Praktisch Advies: De auteur adviseert de praktijk om het streven naar de klassieke efficiëntie-ondergrens in hoge dimensies op te geven. In plaats daarvan zouden zij discrepantie-minimaliserende ontwerpen (GSW) moeten adopteren die gericht zijn op lagere-complexiteit niet-parametrische klassen (specifiek additieve modellen) in combinatie met matching.
• Robuustheid: Deze aanpak biedt een "best of both worlds"-oplossing: het bereikt snelle convergentiesnelheden voor de gemodelleerde componenten van de uitkomst, terwijl de robuustheid van matching tegen niet-gemodelleerde variatie behouden blijft.
• Empirische Validatie: De simulaties suggereren dat deze theoretische winsten vertalen naar de echte wereld, waarbij ze standaard gepaarde steekproeven consistent overtreffen in diverse economische experimenten.

Het artikel concludeert dat hoewel de vloek van dimensionaliteit harde limieten oplegt aan uniforme efficiëntie, gestructureerde discrepantie-minimalisatie een levensvatbaar pad biedt naar substantiële variantiereductie in hoogdimensionale experimentele settings.