Hallo Moritz,
Statistik kann man sich geteilt denken in den Bereich der beschreibenden Statistik und in den Bereich der prüfenden Statistik. Letztere dient dazu zu zeigen, dass irgendwas fehlerbehaftetes gemessenes trotz der Fehlerbehaftetheit verlässlich ist, indem man mehrfach misst. Für solche Spiele hast Du sehr wenig Daten. Also eine Beweisführung wird so nicht gelingen.
Bleibt die Beschreibungskomponente. Da ist es oft sehr hilfreich, wenn man ein Modell formulieren kann, wie die Daten im innersten zusammenhängen. Wenn Du Dich zum Beispiel mit dem Modell anfreunden könntest, dass Siebweite und Gewichte jeweils unabhängig voneinander additiv zum Ammoniumgehalt beitragen und dass sowohl Siebweite als auch Gewichte jeweils linear auf den Ammoniumgehalt wirken, dann könnte man da durchaus eine lineare Regression mit rechnen.
In R könnte das so aussehen:
- Code: Alles auswählen
NH4 <- read.table(header = TRUE, text =
"Gewichte Sieb NH4
4 0.5 1.040
4 .75 1.030
4 1.0 0.920
3 .5 1.090
3 .75 1.060
3 1 0.010
2 .5 1.120
2 .75 1.120
2 1 1.090")
regression <- lm(NH4 ~ Gewichte + Sieb, data = NH4)
print(regression)
Und da käme dann 'raus:
- Code: Alles auswählen
Call:
lm(formula = NH4 ~ Gewichte + Sieb, data = NH4)
Coefficients:
(Intercept) Gewichte Sieb
1.72722 -0.05667 -0.82000
Der vom Modell vorhergesagte Ammoniumgehalt ist demach 1,727 - 0,057 * Gewichte -0,820 * Siebweite
Aus diesen Zahlen, als -0,057 und -0,820 kann man jetzt noch nicht direkt sagen, welche Einflussgrößere die "wichtigere" ist, weil das eine ja mit den Zahlen 2 bis 4, das andere aber mit viel kleineren Zahlen zwischen 0,5 und 1,0 multipliziert wird. Wie man das Problem überbrücken kann überlasse ich Dir mal als Denk- und Rechenaufgabe, falls Du sonst für meinen Vorschlag zu haben bist.
LG,
Bernhard
