A medida que las pruebas empíricas de afirmaciones causales derivadas de teorías se vuelven más importantes en las ciencias sociales, los investigadores que dependen de datos observacionales se enfrentan a la insuficiencia de sus conjuntos de datos para estimar los efectos causales. A diferencia de los diseños experimentales, los investigadores no pueden influir en la asignación del tratamiento, lo que conduce a resultados sesgados. Por ejemplo, la (auto) selección de personas más talentosas en los programas de capacitación influye en la estimación de la eficiencia de los programas, cuando simplemente comparamos participantes con no participantes.
El emparejamiento estadístico ofrece una solución a este problema al encontrar «gemelos estadísticos», uno con y otro sin el tratamiento. Sin embargo, la técnica de emparejamiento más común, la puntuación de Propensión, es lenta y difícil de aplicar. La coincidencia exacta rugosa (CEM) ofrece una solución alternativa, que es más rápida y fácil de entender. Hace que los datos se adapten temporalmente a las ideas de los investigadores (es decir, en grupos de edad ordinarios en lugar de cumpleaños exactos) y luego encuentra coincidencias exactas. Sin embargo, ¿se intercambia esta ganancia en velocidad y simplicidad con una falta de validez?