vzhledem k tomu, že empirické testy kauzálních tvrzení odvozených z teorií se stávají důležitějšími ve společenských vědách, vědci, kteří se spoléhají na pozorovací data, jsou konfrontováni s nedostatečností svých datových souborů pro odhad kauzálních účinků. Na rozdíl od experimentálních návrhů nemohou vědci ovlivnit přiřazení léčby, což vede k zkresleným výsledkům. Například (vlastní) výběr talentovanějších lidí do vzdělávacích programů ovlivňuje odhad efektivity programů, když jednoduše porovnáme účastníky s neúčastníky.
statistická shoda nabízí řešení tohoto problému nalezením „statistických dvojčat“, jednoho s a jednoho bez léčby. Nejběžnější technika shody, shoda skóre sklonu, je však pomalá a obtížně použitelná. Coarsened Exact Matching (CEM) nabízí alternativní řešení, které je rychlejší a srozumitelnější. V hrubých věkových skupinách spíše než v přesných narozeninách) a poté najde přesné shody. Dosud, je tento nárůst rychlosti a jednoduchosti vyměněn proti nedostatku platnosti?