när empiriska tester av kausala påståenden härledda från teorier blir viktigare inom samhällsvetenskapen konfronteras forskare som förlitar sig på observationsdata med otillräckligheten i deras datamängder för att uppskatta kausala effekter. Till skillnad från experimentella mönster kan forskare inte påverka tilldelningen av behandlingen, vilket leder till partiska resultat. Till exempel påverkar (själv) valet av mer begåvade människor i träningsprogram uppskattningen av programmens effektivitet, när vi helt enkelt jämför deltagare med icke-deltagare.
statistisk matchning erbjuder en lösning på detta problem genom att hitta ”statistiska tvillingar”, en med och en utan behandling. Den vanligaste matchningsteknik, benägenhet poäng matchning, dock, är långsam och svår att tillämpa. Coarsened Exact Matching (CEM) erbjuder en alternativ lösning, som är snabbare och lättare att förstå. Det grovar tillfälligt data enligt forskarnas ideer (dvs. i grova åldersgrupper snarare än exakta födelsedagar) och hittar sedan exakta matchningar. Men är denna vinst i hastighet och enkelhet utbytt mot brist på giltighet?