¿Qué significa exactamente 'agrupar datos'?

Pensé que 'agrupar datos' simplemente significaba combinar datos que antes se dividían en categorías ... esencialmente, ignorar las categorías y hacer que el conjunto de datos sea un 'grupo' gigante de datos. Supongo que esta es una pregunta más sobre la terminología que la aplicación de estadísticas.

Por ejemplo: quiero comparar 2 sitios, y dentro de cada sitio tengo dos tipos de año (bueno y malo). Si quiero comparar los 2 sitios 'en general' (es decir, ignorando los tipos de año), ¿es correcto decir que estoy agrupando los datos dentro de cada sitio? Además de eso, dado que varios años de datos comprenden los tipos de años buenos y malos, ¿es correcto decir que estoy agrupando los datos entre años para lograr el conjunto de datos de "año bueno" y "año malo" dentro de cada sitio? ¡Gracias por tu ayuda! Gatito

Sí, tus ejemplos son correctos.

El Oxford English Dictionary define pool como:

piscina, v.

(puːl)

1.1 trans. Lanzarse a una acción o fondo común para ser distribuido de acuerdo con el acuerdo; combinar (capital o intereses) para el beneficio común; Especificaciones. de compañías ferroviarias competidoras, etc .: para compartir o dividir (tráfico o recibos).

Otro ejemplo sería:

Mide los niveles sanguíneos de sustancia X en hombres y mujeres. No ve diferencias estadísticas entre los dos grupos, por lo que agrupa los datos juntos , ignorando el sexo del sujeto experimental.

Si es estadísticamente correcto hacerlo depende mucho del caso específico.

La agrupación puede referirse a la combinación de datos, pero también puede referirse a la combinación de información en lugar de a los datos sin procesar. Uno de los usos más comunes de la agrupación es estimar una varianza. Si creemos que 2 poblaciones tienen la misma varianza, pero no necesariamente la misma media, entonces podemos calcular las 2 estimaciones de la varianza a partir de muestras de los 2 grupos, luego agruparlas (tomar un promedio ponderado) para obtener una estimación única de La varianza común. No calculamos una sola estimación de la varianza a partir de los datos combinados porque si las medias no son iguales, eso inflará la estimación de la varianza.