Como testes empíricos de afirmações causais derivados de teorias tornam-se mais importantes para as ciências sociais, pesquisadores que dependem de dados observacionais são confrontados com a inadequação de seus conjuntos de dados para a estimativa dos efeitos causais. Ao contrário de projetos experimentais, os pesquisadores não podem influenciar a atribuição do tratamento, o que leva a resultados tendenciosos. Por exemplo, a seleção (self) de pessoas mais talentosas em programas de treinamento influencia a estimativa da eficiência dos programas, quando simplesmente comparamos participantes com não-participantes.A correspondência estatística oferece uma solução para este problema encontrando” gêmeos estatísticos”, um com e outro sem o tratamento. A técnica de correspondência mais comum, a correspondência de pontuação de Propensão, no entanto, é lenta e difícil de aplicar. O coarsened Exact Matching (CEM) oferece uma solução alternativa, que é mais rápida e fácil de entender. Ele coarsens temporariamente os dados de acordo com as ideias dos pesquisadores (ou seja, em grupos de idade mais grosseiros do que aniversários exatos) e, em seguida, encontra fósforos exatos. No entanto, este ganho em velocidade e simplicidade é trocado contra uma falta de validade?