Come test empirici di causale rivendicazioni derivanti da teorie diventano più importanti nelle scienze sociali, ricercatori che si basano su dati osservazionali sono confrontati con l’inadeguatezza dei loro insiemi di dati per la stima di effetti causali. A differenza dei progetti sperimentali, i ricercatori non possono influenzare l’assegnazione del trattamento, il che porta a risultati parziali. Ad esempio, la selezione (auto) di persone più talentuose nei programmi di formazione influenza la stima dell’efficienza dei programmi, quando confrontiamo semplicemente i partecipanti con i non partecipanti.
La corrispondenza statistica offre una soluzione a questo problema trovando “gemelli statistici”, uno con e uno senza il trattamento. La tecnica di corrispondenza più comune, Propensione Score Matching, tuttavia, è lento e difficile da applicare. Coarsened Exact Matching (CEM) offre una soluzione alternativa, che è più veloce e più facile da capire. Temporaneamente grossolana i dati secondo le idee dei ricercatori (cioè in gruppi di età grossolani piuttosto che compleanni esatti) e poi trova corrispondenze esatte. Tuttavia, questo guadagno in velocità e semplicità è scambiato contro una mancanza di validità?