Ich habe also eine feste Anzahl von Messpunken (X-Achse; wobei jeder Messpunkt aus mindestens 5 Einzelmessungen gemittelt wurde) und die entsprechende Aktivität eines Neurons jeweils zu diesen Messpunkten (y-Achse). Mein Ziel ist es nun herauszufinden wann die Aktivität signifikant Ansteigt gegenüber der "Baseline" (X=15 - 25). Meine Herangehensweise ist nun folgende: Da ich viele Daten simultan analysieren will und die Kurven je nach Neuron unterschiedlich aussehen habe ich mich für einen nicht parametrischen Test entschieden (Mann Whitney U Test), da ich keine Normalverteilung garantieren kann. Ich hätte nun jeweils den Unterschied zwischen den einzelnen benachbarten Messpunkten ausgerechnet (also die einzelnen Messungen bei x=30 gegen die einzelnen Messungen bei x= 29, 29 zu 28, usw (one sided, da ich ja weis dass meine Werte größer werden)). Allerdings habe ich dann das Problem, dass ich bei kleinen Unterschieden keinen signifikanten Wert erhalte, wenn meine Messwerte nur langsam ansteigen aber über mehrere Messpunkte doch deutlich größer werden als meine Baseline. Würde es dann mehr Sinn machen eine Baseline zu definieren (also alle einzelnen Messungen bei x=20 bis x=25) und dann immer meine Messpunkte (X=19,18,17 usw) gegen diese Baseline zu testen? Dies würde hald dann bedeuten dass ich dann sehr unterschiedliche sample sizes habe welche ich gegeneinander vergleiche.
Ich hoffe es ist einigermaßen klar was ich machen will. Meine Frage ist nun: Benutze ich den richtigen Test für diese Art von Problem oder gibt es da eine bessere Herangehensweise? Ferner, muss ich hier auch eine Bonferroni Korrektur vornehmen, da ich ja eigentlich mehrere Messwerte gegeneinander vergleiche?
Danke schon im voraus
