jako empiryczne testy twierdzeń przyczynowych pochodzących z teorii stają się ważniejsze w naukach społecznych, naukowcy, którzy opierają się na danych obserwacyjnych są konfrontowane z nieadekwatnością ich zbiorów danych do szacowania skutków przyczynowych. W przeciwieństwie do projektów eksperymentalnych, naukowcy nie mogą wpływać na przypisanie leczenia, co prowadzi do stronniczych wyników. Na przykład (self) selekcja bardziej utalentowanych osób do programów szkoleniowych wpływa na ocenę wydajności programów, gdy po prostu porównujemy uczestników z osobami niebędącymi uczestnikami.
dopasowanie statystyczne oferuje rozwiązanie tego problemu poprzez znalezienie „bliźniaków statystycznych”, jednego z leczeniem i drugiego bez leczenia. Najpopularniejsza technika dopasowywania, dopasowanie wyniku skłonności, jest jednak powolne i trudne do zastosowania. Coarsened Exact Matching (Cem) oferuje alternatywne rozwiązanie, które jest szybsze i łatwiejsze do zrozumienia. To tymczasowo coarsens danych zgodnie z pomysłami badaczy (tj. w grubych grup wiekowych, a nie dokładne daty urodzin), a następnie znajduje dokładne dopasowania. Czy jednak ten wzrost szybkości i prostoty jest wymieniany na brak ważności?