13.07.2015 Aufrufe

Statistische Analysen der Einflussfaktoren auf die ...

Statistische Analysen der Einflussfaktoren auf die ...

Statistische Analysen der Einflussfaktoren auf die ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

<strong>Statistische</strong> AuswertungDer partielle Korrelationskoeffizient zwischen <strong>der</strong> Zielvariablen ABD_Hase und <strong>der</strong>Einflussvariablen ABD_Dagehe liegt bei -0,16 (s. Anhang 13). Der zuvor ermittelte hoheZusammenhang (R = -0,43) zwischen <strong>die</strong>sen beiden Variablen ist daher tatsächlich <strong>auf</strong>eine Korrelation mit <strong>der</strong> Waldfläche zurückzuführen. Ähnliche Ergebnisse liegen für <strong>die</strong>Variablen <strong>der</strong> Populationsdichten <strong>der</strong> Füchse, Rabenkrähen, Kolkraben sowie für <strong>die</strong>Elstern vor (Tab. 4.1). Deutlich zu sehen ist, dass <strong>die</strong> Korrelationen zwischen <strong>der</strong>Zielvariablen ABD_Hase und den Variablen Flae_landw, Flae_Grue und Flae_Brach, <strong>die</strong><strong>die</strong> Anteile <strong>der</strong> landwirtschaftlichen Fläche, <strong>der</strong> Grünland- und <strong>der</strong> Brachfläche in denGemeinden wie<strong>der</strong>geben, sehr gering werden. Die Korrelationskoeffizienten gehen hiergegen Null, d.h. es gibt nahezu keinen Zusammenhang zwischen <strong>der</strong> Variable ABD_Haseund <strong>die</strong>sen Variablen. Dies deutet <strong>auf</strong> einen starken Zusammenhang <strong>der</strong> VariablenFlae_landw, Flae_Grue und Flae_Brach mit <strong>der</strong> Waldfläche hin, wie auch <strong>die</strong>entsprechenden Rangkorrelationskoeffizienten beweisen (Tab. 4.1). Ähnlich verhält essich mit <strong>der</strong> Anzahl <strong>der</strong> Sonnenstunden in den Zeiträumen März bis Mai und Juni bisAugust (Sonn_MM und Sonn_JA). Ohne den Einfluss <strong>der</strong> Waldfläche verringern sich <strong>die</strong>Rangkorrelationskoeffizienten <strong>auf</strong> partielle Korrelationskoeffizienten von + bzw. -0,03. Esbesteht ein starker Zusammenhang mit <strong>der</strong> Waldfläche. Bei den Variablen Nied_MM undTemp_JA (Nie<strong>der</strong>schlagsmenge <strong>der</strong> Monate März bis Mai und Temperatur <strong>der</strong> MonateJuni bis August) ist <strong>der</strong> partielle Korrelationskoeffizient höher als <strong>der</strong>Rangkorrelationskoeffizient (Tab. 4.1). Hier steigen <strong>die</strong> Korrelationskoeffizienten an, d.h.,dass ohne den Waldeinfluss <strong>der</strong> Zusammenhang <strong>der</strong> Variablen Nied_MM und Temp_JAmit <strong>der</strong> Zielvariablen ABD_Hase größer ist.Tab. 4.1: Korrelationskoeffizienten nach Pearson (r) o<strong>der</strong> nach Spearman (R) zwischen <strong>der</strong>Zielvariable ABD_Hase und den Einflussvariablen im Vergleich mit den partiellenKorrelationskoeffizienten nach dem Anteil <strong>der</strong> WaldflächeVariablennameKorrelationskoeffizient nach Pearson(r) o<strong>der</strong> nach Spearman (R)partiellerKorrelationskoeffizientnach dem Anteil <strong>der</strong>WaldflächeABD_Fugehe r = -0,44 -0,15ABD_Dagehe R = -0,43 -0,16ABD_Rabdich r = 0,29 0,17ABD_Kolkbrut R = -0,4 -0,10ABD_Elsbrut r = 0,11 0,0658

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!