Statstikmetod på data som driftar?

Jag har data som driftar dvs om jag mäter 5 gånger efter varandra med samma omständigheter så får jag t.ex. 10 10,3 10,7 11,2 11,4 dvs en trend att det ökar. Nästa mätning med ändrad parameter ger t.ex. 22 22,1 22,5 22,9 23,2 dvs en tydlig ökning från förra men fortfarande drift/artefakt.
Att använda medelvärde/standaradavvikelse känns fel här? Bättre att jämföra första mätningen med första mätningen i nästa mätserie etc eller finns det någon statistik metod att använda här?

Du berättar aldrig för oss vad det är du vill göra.

Vill visa att ökningen mellan mätserie 1 och 2 inte (bara) är drift utan beror på min parameter. Men att göra H0 med p-värde (min statistik är ganska rostig) med standardavvikelse känns fel?

Du kan ju undersöka driften. Försök att skatta hur den ser ut. Ökar den linjärt med tid eller med mätningar? Eller är det ett mer komplext samband. Hittar du ett så kan du enkelt subtrahera den skattade driften och få säkrare mätvärden. Osäkerheten i din driftsskattning tillkommer visserligen, men uppvägs troligen av ökad precission i de efterbehandlade mätvärdena.

Är det ett mätinstrument du kan ändra saker på själv kan det även vara läge att utreda orsaken till driften och försöka eliminera den istället för att efterbehandla data.

Moving average?

Jag mäter impedans med en potentiostat. Så jag kan pilla ganska mycket med den. Vad jag förstått så beror min drift på att systemet inte är i steady-state. Vad det beror på kan vara i princip vad som helst, reaktioner som pågår under mätning/p.g.a. mätning, material får sämre kontakt med elektroden under tid, reaktioner är inte i jämvikt osv så jag tror att den bästa lösningen är att på något vis uppskatta driften/ha den som parameter.

Vad jag kan se så är det inget fint linjärt samband mellan driften i olika mätningar under samma omständigheter inte heller att det blir värre/bättre efter tid. Det är dessutom inte "jämn drift" under hela kurvan utan i ett område. Så förmodligen så händer det något i det lågfrekvensområdet som orsakar det men det skulle försöka kunna uppskatta driften i varje punkt och sen se hur den ser ut kanske.

Med reservation för att inte vara fysiker, kan du inte bara skatta driften i en vanlig regression? Om du alltid mäter fem gånger med samma tidsavstånd kan du skatta en dummy för fyra av mätningarna. Eller också använder du tid från första mätningen som en oberoende variabel.

Edit: För mätning t, försök i, med omständigheter X och utfall Y, där dt är tiden från första mätningen i försöket, något i stil med:

Y(i,t) = alpha(i) +beta(1)X(i) + beta(2)dt(i,t) + epsilon

Det är möjligt att du även vill interagera X med tiden:

Y(i,t) = alpha(i) + beta(1)X(i) + beta(2)dt(i,t) + beta(3)X(i)dt(i,t) + epsilon

Mycket möjligt, har bara läst 2 kurser i statistik och det var ett tag sen. Mäter 3 gånger med samma tidsavstånd så det skulle kanske kunna gå? Finns det någon fin guide eller dylikt hur man genomför det där? Har matlab om det är smidigt via det.

Blev det tydligare från editen ovan?

Edit: Om det alltid är samma tidsavstånd lär det vara enklare och bättre med

Y(i,t) = alpha(i) + beta(1)X(i) + beta(2)I_1(i,t) + beta(3)X(i)I_1(i,t) + beta(4)I_2(i,t) + beta(5)X(i)I_2(i,t) + ... + epsilon

där I_n(i,t) tar värdet 1 för försök n och 0 annars.

Fast det beror ju på hur mycket data du har också. Dummy-variablerna äter en del frihetsgrader.