Resumo Técnico: Um Framework Unificado para Re-randomização usando Formas Quadráticas

Declaração do Problema

No desenho de experimentos randomizados, garantir o equilíbrio de covariáveis entre os grupos de tratamento e controle é crítico para reduzir os erros padrão e aumentar o poder estatístico. Embora o bloqueio (blocking) seja eficaz para variáveis categóricas, ele apresenta dificuldades com covariáveis contínuas de alta dimensão. A re-randomização aborda isso ao randomizar as atribuições de tratamento até que um nível pré-especificado de equilíbrio de covariáveis seja alcançado.

Historicamente, a maioria dos métodos de re-randomização baseia-se na distância de Mahalanobis (Morgan e Rubin, 2012), que utiliza a matriz de covariância inversa ($\Sigma^{-1}$) como uma matriz de ponderação. No entanto, em configurações de alta dimensão, a re-randomização de Mahalanobis aplica uma redução percentual igual de variância a todas as covariáveis. À medida que a dimensionalidade ($d$) aumenta, o termo de redução de variância aproxima-se de 1, tornando o método ineficaz. Além disso, extensões como a Re-randomização de Ridge (Branson e Shao, 2021) e a Re-randomização de PCA (Zhang et al., 2024) tentam mitigar isso priorizando certos autovetores, mas exigem parâmetros de ajuste ou pontos de corte arbitrários. Ademais, resultados de otimalidade existentes frequentemente assumem o conhecimento da relação entre as covariáveis e os desfechos (ex: Liu et al., 2025), o que raramente está disponível antes de um experimento.

Metodologia

Os autores propõem um framework unificado onde a re-randomização é definida por uma métrica de equilíbrio de forma quadrática geral:
$$Q_A(\sqrt{n}\hat{\tau}_X) = (\sqrt{n}\hat{\tau}_X)^T A (\sqrt{n}\hat{\tau}_X)$$
onde $\hat{\tau}_X$ é o vetor das diferenças médias das covariáveis, e $A$ é uma matriz fixa, não nula e semidefinida positiva ($A \in S^d_+$).

O artigo deriva resultados teóricos gerais para qualquer esquema desse tipo sob o framework de potenciais desfechos (potential outcomes framework), condicionando em covariáveis $X$ e potenciais desfechos fixos. A análise baseia-se em duas condições:

1. Condição 1: As variâncias e covariâncias de população finita dos desfechos e covariáveis são bem definidas e possuem valores limites.
2. Condição 2: O critério de re-randomização é simétrico na atribuição de tratamento e atribui probabilidade não nula a algumas atribuições.

Os autores utilizam a estrutura de autovalores da matriz de covariância das diferenças médias das covariáveis ($\Sigma$) e da matriz $\Sigma^{1/2}A\Sigma^{1/2}$ para caracterizar a distribuição assintótica do estimador re-randomizado.

Principais Contribuições

1. Resultados Teóricos Gerais

Os autores derivam a covariância assintótica das diferenças médias das covariáveis sob qualquer re-randomização de forma quadrática (Teorema 1). Eles mostram que a matriz de covariância é rotacionada e escalonada por fatores de redução de variância $\nu_{j,\eta}$, que dependem dos autovalores de $\Sigma^{1/2}A\Sigma^{1/2}$. Este framework permite a re-derivação rápida das propriedades de métodos existentes (Mahalanobis, Ridge, PCA) e a análise de novos esquemas.

2. Otimalidade para o Equilíbrio de Covariáveis (Sem Informação do Desfecho)

O artigo estabelece escolhas ótimas para $A$ baseadas apenas nas propriedades das covariáveis, sem exigir o conhecimento da relação com o desfecho ($\beta$):

• Minimização da Norma de Frobenius: A distância Euclidiana ($A = I_d$) minimiza a norma de Frobenius da matriz de covariância das diferenças médias das covariáveis (Teorema 2). Isso garante que todas as direções de variação tenham magnitude igual após a re-randomização.
• Maximização da Redução Total de Variância: A distância de Mahalanobis ($A = \Sigma^{-1}$) maximiza a redução total de variância através de todos os componentes principais (Teorema 3).

3. Otimalidade para Estimação do Efeito Médio do Tratamento (ATE)

Os autores ligam a escolha de $A$ à variância do estimador de diferença de médias ($\hat{\tau}$).

• Otimalidade Oracle: Se a relação entre as covariáveis e os desfechos ($\beta$) fosse conhecida, a matriz ótima seria $A^* = \beta\beta^T$ (Teorema 5). Isso pondera as diferenças médias das covariáveis pelo seu poder preditivo para o desfecho.
• Otimalidade Minimax: Como $\beta$ é tipicamente desconhecido, os autores provam que a Re-randomização Euclidiana ($A = I_d$) é minimax ótima (Teorema 6). No sentido de que a precisão do estimador nunca está "muito longe" da escolha ótima, independentemente da verdadeira relação entre as covariáveis e os desfechos. Isso torna a Re-randomização Euclidiana uma escolha robusta e "segura" quando a informação do desfecho não está disponível.

4. Regras de Seleção de Componentes Principais

O artigo estende o framework para a seleção dos $k$ principais componentes. Ele deriva uma regra de decisão de custo-benefício (Equação 8) para escolher $k$ quando $\beta$ é desconhecido, o que equilibra a redução de variância obtida nos componentes superiores contra a perda de redução nos componentes descartados. Isso é denominado Regra do Autovalor Ponderado.

Resultados

Estudo de Simulação

Os autores realizaram simulações através de diversas dimensões ($d$) e distribuições de autovalores (esparsas, médias, uniformes) com diferentes relações entre os componentes principais e os desfechos:

• Autovalores Esparsos: Quando os autovalores são esparsos e os desfechos dependem dos componentes principais inferiores, a re-randomização de Mahalanobis supera as demais. No entanto, se os desfechos dependem dos componentes superiores, a de Mahalanobis performa mal.
• Robustez: A Re-randomização Euclidiana consistentemente forneceu a segunda melhor redução de variância em todos os cenários e foi a melhor em restringir a matriz de covariância. Demonstrou robustez superior comparada à de Mahalanobis, que sofreu significativamente em cenários onde suas suposições (pesos iguais) estavam desalinhadas com a estrutura do desfecho.
• Euclidiana ao Quadrado: Definir $A = \Sigma$ (Euclidiana ao Quadrado) aumenta o peso dos principais autovalores e performou bem quando os componentes superiores eram preditivos, mas careceu da robustez da re-randomização euclidiana padrão.

Aplicação em Dados Reais

Utilizando um ensaio controlado randomizado de mentoria para adolescentes alemães ($n=308, d=21$), os autores construíram desfechos potenciais sintéticos não lineares e não aditivos.

• Achados: Os autovalores das covariáveis eram relativamente uniformes. Neste cenário, todos os métodos performaram de forma semelhante, mas a Re-randomização Euclidiana gerou a menor variância (0.565 em relação à randomização completa), seguida de perto pela Euclidiana ao Quadrado (0.576).
• Implicação: Os resultados alinham-se com a afirmação teórica de que a re-randomização euclidiana é minimax ótima e robusta, particularmente quando a estrutura de autovalores não favorece fortemente um subconjunto específico de componentes.

Significância e Alegações

O artigo alega fornecer um framework teórico geral que unifica os métodos de re-randomização existentes sob o guarda-chuva das formas quadráticas. Sua principal significância reside em:

1. Orientação Prática: Oferece orientação clara e teoricamente fundamentada para praticantes sobre como escolher a matriz $A$ quando a informação do desfecho não está disponível. Especificamente, defende a Re-randomização Euclidiana como uma estratégia minimax ótima que evita as armadilhas da distância de Mahalanobis de alta dimensão, mantendo a robustez.
2. Ponte entre Teoria e Prática: Preenche uma lacuna na literatura ao derivar resultados de otimalidade que não dependem do conhecimento prévio da relação entre o desfecho e a covariável, uma limitação comum em trabalhos anteriores (ex: Liu et al., 2025).
3. Expansão Metodológica: Demonstra que a escolha de $A$ dita a estrutura de autovalores da matriz de covariância resultante, permitindo que pesquisadores adaptem estratégias de re-randomização (ex: via regras de Euclidiana ao Quadrado ou PCA) com base na estrutura de autovalores de seus dados e crenças prévias sobre as relações com o desfecho.

Os autores mantêm a modéstia, observando que seus resultados se aplicam especificamente a esquemas de re-randomização expressáveis como formas quadráticas e não excluem necessariamente a superioridade de estratégias de desenho não quadráticas (ex: alocação de kernel). Eles sugerem que trabalhos futuros possam estender esses frameworks para experimentos de múltiplos braços e desenhos sequenciais.