mivel az elméletekből származó ok-okozati állítások empirikus tesztjei egyre fontosabbá válnak a társadalomtudományokban, a megfigyelési adatokra támaszkodó kutatók szembesülnek adatkészleteik elégtelenségével az ok-okozati hatások becsléséhez. A kísérleti tervekkel ellentétben a kutatók nem befolyásolhatják a kezelés hozzárendelését, ami elfogult eredményekhez vezet. Például a tehetségesebb emberek (ön) kiválasztása a képzési programokba befolyásolja a programok hatékonyságának becslését, amikor egyszerűen összehasonlítjuk a résztvevőket a nem résztvevőkkel.
a statisztikai illesztés megoldást kínál erre a problémára azáltal, hogy “statisztikai ikreket” talál, egyet kezeléssel, egyet pedig kezelés nélkül. A leggyakoribb megfelelő technika, hajlam pontszám megfelelő, azonban lassú és nehéz alkalmazni. A Coarsened Exact Matching (CEM) alternatív megoldást kínál, amely gyorsabb és könnyebben érthető. Ideiglenesen durvítja az adatokat a kutatók elképzelései szerint (azaz durva korcsoportokban, nem pedig pontos születésnapokon), majd pontos egyezéseket talál. De vajon ez a gyorsaság és egyszerűségbeli nyereség az érvényesség hiányával szemben cserélődik-e fel?