Resumo Técnico: Desenho Experimental Quando N é Igual a Um

Definição do Problema

Ensaios N-de-1 (ou experimentos de séries temporais) envolvem a randomização repetida de atribuições de tratamento para uma única unidade experimental ao longo do tempo. Embora amplamente utilizados em pesquisa clínica e plataformas online, o desenho teoricamente ótimo para estimar vários efeitos de tratamento permanece incerto. Uma dificuldade central é que diferentes estimandos alvo (por exemplo, efeitos específicos de atraso vs. efeitos cumulativos) favorecem diferentes formas de dependência temporal no caminho de atribuição do tratamento. A literatura existente frequentemente se baseia em abordagens específicas de desenho ou atribuições independentes, mas falta um framework geral que possa visar flexivelmente diferentes efeitos enquanto fornece garantias de otimalidade. Além disso, desenhos ótimos para estimandos específicos, particularmente classes de estimandos, são mal caracterizados.

Metodologia

Os autores propõem um framework marcoviano para o desenho experimental onde o caminho de atribuição do tratamento $Z_1, \dots, Z_T$ é modelado como uma cadeia de Markov governada por matrizes de transição variantes no tempo $P_t$. Os estados correspondem ao controle ($0$) e ao tratamento ($1$), com probabilidades de transição definidas pelos parâmetros $\rho_t$ (probabilidade de mudar de 0 para 1) e $\gamma_t$ (probabilidade de mudar de 1 para 0).

Para definir o objetivo do desenho, o artigo adota um modelo de resposta ao impulso de ordem finita:
$$Y_t = \alpha + \sum_{k=1}^K \beta_k Z_{t-k+1} + \epsilon_t$$
onde os resultados dependem aditivamente das atribuições de tratamento atuais e passadas de $K-1$. O estimando alvo é uma combinação linear dos coeficientes de resposta ao impulso, $\tau_w = \sum w_k \beta_k$. O objetivo do desenho é minimizar a variância assintótica da estimativa do estimador de Mínimos Quadrados Ordinários (OLS) para $\tau_w$.

Os autores analisam dois subclassificações estruturadas de desenhos marcovianos para derivar insights teóricos:

1. Desenhos de Troca Aleatória (Random-Switch Designs): Caracterizados por probabilidades de transição constantes ($\rho_t = \rho, \gamma_t = \gamma$). O espaço de desenho é reduzido à otimização das probabilidades de troca.
2. Desenhos de Troca Cíclica (Cycle-Switch Designs): Desenhos determinísticos onde o status do tratamento muda a cada $l$ pontos temporais. O espaço de desenho é reduzido à otimização do comprimento do bloco $l$.

A otimização é formulada como um problema minimax (desenho robusto) ou um problema direcionado (targeted), minimizando a pior variância de estimativa ou a variância de um estimando específico sobre um conjunto de desenhos candidatos e estimandos. A análise teórica baseia-se em assintóticas de grande-$T$, utilizando as propriedades de matrizes de Kac–Murdock–Szegő (KMS) e teoremas eródicos para cadeias de Markov.

Principais Contribuições e Resultados

1. Framework de Desenho Geral

O artigo estabelece um framework unificado que engloba os desenhos existentes (atribuições independentes, alternâncias regulares de switchback, alternância determinística) como casos especiais de atribuição marcoviana. Ele fornece um método principiado para controlar a dependência temporal através de probabilidades de transição.

2. Probabilidades de Troca Ótimas (Desenhos de Troca Aleatória)

Para otimização de desenho direcionado (minimizando a variância para um $w$ específico):

• Efeitos específicos de atraso (lag-specific): O desenho ótimo converge para $\rho = \gamma = 1/2$, correspondendo à randomização Bernoulli(1/2) i.i.d.
• Efeitos cumulativos: A probabilidade de troca ótima move-se para a fronteira ($\rho, \gamma \to 0$), implicando períodos longos e ininterruptos de tratamento e controle. No entanto, isso leva a desenhos limites mal comportados onde o OLS pode ser indefinido.
• Efeitos gerais: A probabilidade de troca ótima é determinada por uma equação quadrática envolvendo o vetor do estimando $w$, equilibrando o trade-off entre variação marginal e persistência temporal.

Para otimização de desenho robusto (minimizando a pior variância sobre todas as combinações lineares normalizadas de efeitos de atraso):

• O desenho ótimo é a randomização Bernoulli(1/2) i.i.d. ($\rho = \gamma = 1/2$). Isso fornece uma justificativa formal para a robustez dos desenhos de atribuições independentes em ensaios N-de-1, consistente com achados em contextos transversais.

3. Comprimentos de Bloco Ótimos (Desenhos de Troca Cíclica)

Para abordar os casos de fronteira onde os desenhos de troca aleatória falham (ex: efeitos cumulativos):

• Efeitos cumulativos: O comprimento de bloco ótimo é aproximadamente $l^* \approx K + \sqrt{K}$. Isso equilibra a necessidade de períodos longos (para capturar efeitos cumulativos) contra a inflação da variância causada por blocos grandes.
• Efeitos específicos de atraso: O comprimento de bloco ótimo é $l^* = K$. Isso garante a identificabilidade de todos os efeitos de atraso enquanto minimiza a variância.
• Desenhos robustos: O comprimento de bloco ótimo é $l^* = K$. Blocos mais curtos levam a matrizes de covariância de posto reduzido (não-identificabilidade), enquanto blocos mais longos aumentam a variância linearmente.

4. Simulação e Robustez

Simulações demonstram que:

• Desenhos de troca aleatória alcançam a menor variância de estimativa para efeitos específicos de atraso e permanecem robustos através de várias especificações de modelo, incluindo erro de especificação de modelo (ex: tendências temporais não modeladas).
• Desenhos de troca cíclica superam outros desenhos para estimar efeitos cumulativos em amostras finitas, mas exibem maior viés sob certas especificações incorretas (ex: tendências temporais não modeladas).
• Os desenhos propostos geralmente superam alternativas de estado da arte, como os experimentos de switchback regular otimizados (ORSB), quando o estimando alvo não é puramente focado em carryover.

5. Conexão com Inferência Baseada em Desenho

O artigo conecta o estimador de OLS baseado em modelo à inferência baseada em desenho. Mostra que, sob desenhos de troca aleatória, o estimador OLS converge para uma projeção linear de contrastes de resultados condicionais. Sob randomização Bernoulli i.i.d. ou resultados potenciais aditivos lineares, este limite coincide com o estimando de efeito de tratamento de atraso específico estudado por Lin e Ding [2025], validando a interpretação causal do estimador mesmo sem a adesão estrita ao modelo de resposta ao impulso linear.

Significância e Alegações

Os autores alegam que seu trabalho fornece um framework de desenho geral que pode visar flexivelmente diferentes efeitos de tratamento enquanto oferece garantias de otimalidade. Ao caracterizar a estrutura temporal ótima através de probabilidades de troca e comprimentos de bloco, o artigo justifica a robustez dos desenhos Bernoulli i.i.d. para objetivos de atraso e robustos, enquanto quantifica como os desenhos ótimos devem desviar-se (ex: blocos mais longos) para efeitos cumulativos.

O artigo enfatiza um trade-off entre generalidade e interpretabilidade: ao adotar uma abordagem baseada em modelo (resposta ao impulso), eles sacrificam parte da generalidade em comparação com métodos de desenho não paramétricos, mas ganham um framework unificado para otimização de desenho e uma interpretabilidade mais clara dos estimandos. Os resultados oferecem orientação prática para experimentadores selecionarem desenhos adaptados aos seus objetivos científicos específicos (ex: escolher desenhos de troca cíclica para efeitos cumulativos e desenhos de troca aleatória para efeitos de atraso).

Os autores observam modestamente que, embora seu framework seja baseado em modelo, ele se conecta à inferência baseada em desenho sob condições específicas. Eles também identificam a extensão do framework para experimentos de painel (múltiplas unidades experimentais) como uma direção promissora para trabalhos futuros.