技术摘要：N 等于 1 时的实验设计

问题陈述

N-of-1 试验（或时间序列实验）涉及在单个实验单位上随时间重复进行治疗分配的随机化。虽然这类试验在临床研究和在线平台中被广泛使用，但用于估计各种治疗效应的最优理论设计仍不明确。一个核心难点在于，不同的目标估计量（例如，特定滞后效应与累积效应）倾向于不同的治疗分配路径的时间依赖性形式。现有文献通常依赖于特定的基于设计的（design-based）方法或独立分配，但缺乏一个能够灵活针对不同效应并提供最优性保证的通用框架。此外，针对特定估计量（尤其是各类估计量）的最优设计也缺乏充分的表征。

方法论

作者提出了一个用于实验设计的 马尔可夫框架（Markovian framework），其中治疗分配路径 $Z_1, \dots, Z_T$ 被建模为一个由时变转移矩阵 $P_t$ 控制的马尔可夫链。状态对应于对照组（0）和治疗组（1），转移概率由参数 $\rho_t$（从 0 切换到 1 的概率）和 $\gamma_t$（从 1 切换到 0 的概率）定义。

为了定义设计目标，本文采用了 有限阶脉冲响应模型（finite-order impulse-response model）：
$$Y_t = \alpha + \sum_{k=1}^K \beta_k Z_{t-k+1} + \epsilon_t$$
其中结果取决于当前及过去 $K-1$ 个治疗分配的加性组合。目标估计量是脉冲响应系数的线性组合，即 $\tau_w = \sum w_k \beta_k$。设计目标是最小化普通最小二乘法（OLS）估计量 $\tau_w$ 的渐近估计方差。

作者分析了两种结构化的马尔可夫设计子类，以推导理论见解：

1. 随机切换设计（Random-Switch Designs）： 特点是具有恒定的转移概率（$\rho_t = \rho, \gamma_t = \gamma$）。设计空间被简化为优化切换概率。
2. 周期切换设计（Cycle-Switch Designs）： 确定性设计，其中治疗状态每隔 $l$ 个时间点切换一次。设计空间被简化为优化块长度 $l$。

优化过程被构架为一个 极小极大问题（minimax problem，稳健设计） 或 针对性问题（targeted problem），即在候选设计和估计量的集合中最小化最坏情况或特定估计方差。理论分析依赖于大 $T$ 渐近性质，利用了 Kac–Murdock–Szegő (KMS) 矩阵的性质和马尔可夫链的遍历定理。

核心贡献与结果

1. 通用设计框架

本文建立了一个统一的框架，将现有设计（独立分配、常规切换回设计、确定性交替设计）视为马尔可夫分配的特例。它提供了一种通过转移概率来控制时间依赖性的原则性方法。

2. 最优切换概率（随机切换设计）

对于 针对性设计优化（最小化特定 $w$ 的方差）：

• 特定滞后效应： 最优设计收敛于 $\rho = \gamma = 1/2$，对应于 i.i.d. Bernoulli(1/2) 随机化。
• 累积效应： 最优切换概率向边界移动（$\rho, \gamma \to 0$），这意味着存在长时间、不间断的治疗期和对照期。然而，这会导致 OLS 可能无法定义的病态极限设计。
• 一般效应： 最优切换概率由涉及估计量向量 $w$ 的二次方程决定，从而在边际变化与时间持久性之间取得平衡。

对于 稳健设计优化（最小化所有归一化线性组合滞后效应的最坏情况方差）：

• 最优设计是 i.i.d. Bernoulli(1/2) 随机化（$\rho = \gamma = 1/2$）。这为 N-of-1 试验中独立分配的稳健性提供了正式的理论依据，与横截面设置中的发现一致。

3. 最优块长度（周期切换设计）

为了解决随机切换设计失效的边界情况（例如，累积效应）：

• 累积效应： 最优块长度约为 $l^* \approx K + \sqrt{K}$。这平衡了捕捉累积效应所需的长周期与大块长度导致的方差膨胀之间的关系。
• 特定滞后效应： 最优块长度为 $l^* = K$。这确保了所有特定滞后效应的可识别性，同时使方差最小化。
• 稳健设计： 最优块长度为 $l^* = K$。较短的块会导致协方差矩阵秩亏（不可识别），而较长的块会线性增加方差。

4. 模拟与稳健性

模拟表明：

• 随机切换设计 在特定滞后效应方面实现了最小的估计方差，并在包括模型误设（如未建模的时间趋势）在内的各种模型规范下保持稳健。
• 周期切换设计 在有限样本下估计累积效应的表现优于其他设计，但在某些误设（如未建模的时间趋势）下表现出较高的偏差。
• 当目标估计量并非纯粹关注携带效应（carryover-focused）时，所提出的设计通常优于诸如最优常规切换回实验（ORSB）等最先进的替代方案。

5. 与基于设计的推断的联系

本文将基于模型的 OLS 估计量与基于设计的推断联系起来。研究表明，在随机切换设计下，OLS 估计量收敛于条件结果对比的线性投影。在 i.i.d. Bernoulli 随机化或线性加性潜在结果下，该极限与 Lin 和 Ding [2025] 研究的特定滞后治疗效应估计量一致，从而验证了即使在不严格遵循线性脉冲响应模型的情况下，该估计量的因果解释也是有效的。

重要性与主张

作者声称，其工作提供了一个 通用的设计框架，该框架可以灵活地针对不同的治疗效应，同时提供 最优性保证。通过通过切换概率和块长度来表征最优时间结构，本文证明了 i.i.d. Bernoulli 设计在特定滞后效应和稳健目标下的稳健性，同时也量化了最优设计必须如何偏离（例如，使用更长的块）以应对累积效应。

论文强调了 通用性与可解释性 之间的权衡：通过采用基于模型的方法（脉冲响应），他们在相比于非参数化设计方法牺牲了一定通用性的同时，获得了一个统一的设计优化框架和更清晰的估计量解释。其结果为实验者根据其特定的科学目标（例如，为累积效应选择周期切换设计，为特定滞后效应选择随机切换设计）来选择设计提供了实践指导。

作者谦虚地指出，尽管其框架是基于模型的，但在特定条件下它与基于设计的推断相连。他们还指出，将该框架扩展到 面板实验（多个实验单位）是未来工作的一个有前景的方向。