kun teorioista johdettujen kausaaliväitteiden empiiriset testit tulevat yhä tärkeämmiksi yhteiskuntatieteissä, tutkijat, jotka luottavat havaintoaineistoon, joutuvat kohtaamaan tietokokonaisuuksiensa riittämättömyyden kausaalisten vaikutusten arvioimisessa. Toisin kuin kokeelliset mallit, tutkijat eivät voi vaikuttaa hoidon antamiseen, mikä johtaa puolueellisiin tuloksiin. Esimerkiksi lahjakkaampien ihmisten (itse) valinta koulutusohjelmiin vaikuttaa ohjelmien tehokkuuden arviointiin, kun yksinkertaisesti vertaamme osallistujia ei-osallistujiin.
tilastollinen sovitus tarjoaa ratkaisun tähän ongelmaan löytämällä ”tilastolliset kaksoset”, joista toinen on hoidon kanssa ja toinen ilman hoitoa. Yleisin matching tekniikka, Propensity pisteet Matching, kuitenkin, on hidas ja vaikea soveltaa. Coarsened Exact Matching (CEM) tarjoaa vaihtoehtoisen ratkaisun, joka on nopeampi ja helpompi ymmärtää. Se väliaikaisesti coarsens tietojen mukaan tutkijoiden ideoita (eli karkea ikäryhmien sijaan tarkka syntymäpäivät) ja sitten löytää tarkat ottelut. Mutta vaihdetaanko tämä nopeus ja yksinkertaisuus pätevyyden puutteeseen?