naarmate empirische tests van causale claims afgeleid van theorieën belangrijker worden in de sociale wetenschappen, worden onderzoekers die vertrouwen op observationele gegevens geconfronteerd met de ontoereikendheid van hun datasets voor het schatten van causale effecten. In tegenstelling tot experimentele ontwerpen, kunnen onderzoekers de toewijzing van de behandeling niet beïnvloeden, wat leidt tot bevooroordeelde resultaten. Bijvoorbeeld, de (zelf) selectie van meer getalenteerde mensen in trainingsprogramma’ s beïnvloedt de inschatting van de efficiëntie van de programma ‘ s, wanneer we gewoon deelnemers vergelijken met niet-deelnemers.
statistische matching biedt een oplossing voor dit probleem door “statistische tweelingen” te vinden, één met en één zonder de behandeling. De meest voorkomende matching techniek, neiging Score Matching, echter, is traag en moeilijk toe te passen. Coarsened Exact Matching (CEM) biedt een alternatieve oplossing, die sneller en gemakkelijker te begrijpen is. Het versnelt de gegevens tijdelijk volgens de ideeën van de onderzoekers (d.w.z. in Grove leeftijdsgroepen in plaats van exacte verjaardagen) en vindt dan exacte overeenkomsten. Maar wordt deze winst in snelheid en eenvoud geruild tegen een gebrek aan geldigheid?