pe măsură ce testele empirice ale revendicărilor cauzale derivate din teorii devin mai importante în științele sociale, cercetătorii care se bazează pe datele observaționale se confruntă cu inadecvarea seturilor lor de date pentru estimarea efectelor cauzale. Spre deosebire de proiectele experimentale, cercetătorii nu pot influența atribuirea tratamentului, ceea ce duce la rezultate părtinitoare. De exemplu, selecția (de sine) a oamenilor mai talentați în programele de formare influențează estimarea eficienței programelor, atunci când comparăm pur și simplu participanții cu neparticipanții.
potrivirea statistică oferă o soluție la această problemă prin găsirea „gemenilor statistici”, unul cu și unul fără tratament. Cu toate acestea, cea mai comună tehnică de potrivire, potrivirea Scorului de înclinație, este lentă și dificil de aplicat. Coarsened exact Matching (CEM) oferă o soluție alternativă, care este mai rapidă și mai ușor de înțeles. Acesta coarsens temporar datele în funcție de ideile cercetătorilor (adică în grupe de vârstă grosiere, mai degrabă decât zilele de naștere exacte) și apoi găsește potriviri exacte. Cu toate acestea, este acest câștig în viteză și simplitate schimbat împotriva unei lipse de validitate?