Statistisk klassificering är uppdelningen av data i meningsfulla kategorier för analys. Det är möjligt att tillämpa statistiska formler på data för att göra detta automatiskt, vilket möjliggör storskalig databehandling som förberedelse för analys. Vissa standardiserade system finns för vanliga typer av data som resultat från medicinska avbildningsstudier. Detta gör att flera enheter kan utvärdera data med samma mätvärden så att de enkelt kan jämföra och utbyta information.
Eftersom forskare och andra parter samlar in data kan de tilldela dem lösa kategorier utifrån liknande egenskaper. De kan också utveckla formler för att klassificera sina data när de kommer in, automatiskt dela upp dem i specifika statistiska klassificeringar. När de samlar in information kanske forskare inte vet så mycket om deras data, vilket gör det svårt att klassificera. Formler kan identifiera viktiga funktioner att använda som potentiella kategoriidentifierare.
Bearbetning av data kräver statistisk klassificering för att separera olika typer av information för analys och jämförelse. Till exempel, i en folkräkning bör arbetare kunna utforska flera parametrar för att ge en meningsfull bedömning av de uppgifter de samlar in. Med hjälp av deklarationer på folkräkningsformulär kan en statistisk klassificeringsalgoritm separera olika typer av hushåll och individer på basis av information som ålder, hushållskonfiguration, medelinkomst och så vidare.
Uppgifterna som samlas in måste vara kvantitativa för att statistisk analys ska fungera. Kvalitativ information kan vara för subjektiv. Som ett resultat måste forskare utforma datainsamlingsmetoder noggrant för att få information som de faktiskt kan använda. Till exempel, i en klinisk prövning kan observatörer som fyller i formulär under uppföljande undersökningar använda en poängbedömning för att bedöma patientens hälsa. Istället för en kvalitativ bedömning som ”patienten ser bra ut”, kan forskaren ge en poäng på sju på en skala, som en formel kan använda för att bearbeta data.
Statistiker använder en mängd olika tekniker för statistisk klassificering och utveckling av lämpliga formler för att bearbeta sina data. Fel i detta skede av dataanalys kan förvärras över senare forskning och analys. Det är viktigt att tänka på vilken typ av datamängd, vilken information folk vill dra ut ur den och hur materialet kommer att användas. I formella artiklar måste forskare diskutera det statistiska klassificeringssystem de valde att använda och många tillhandahåller också rådata så att granskare själva kan titta på informationen för att avgöra giltigheten av slutsatserna i studien.