EKONOMETRİ VİZE PROJESİ

VİZE PROJESİ

R ’ı yükledim
Yeni proje açtım
Ödevi hazırlamaya başladım

RMARKDOWN PROJESİ HAZIRLAMA

PAKETLER

WDI Paketi
Explore Paketi
Ggplot Paketi
Png Paketi
Shiny Paketi

*R paketleri, R programlama dilinin temel işlevlerini genişletmek için tasarlanmış bir araç ve kaynaklar kümesidir. Bu paketler, işlevler, veri kümeleri ve diğer ek materyalleri bir araya getirir ve belirli bir amaca hizmet etmek üzere paketlenir. Her paket, belirli analitik veya hesaplama ihtiyaçlarını karşılamak için özel olarak tasarlanmış bir araç kutusu olarak hizmet eder. Bu paketler, çeşitli görevleri verimli ve etkili bir şekilde yerine getirmenizi sağlayarak R’ın makine tarafından kullanılan dişlileridir.

Paketler neden önemlidir?

İstatistiksel araştırma ve veri keşfi alanında adım atıığınızda, paketleri anlamak ve kullanmak önemlidir. Paketler size bir dizi işlev sağlayarak, veri ediniminden temizliğine ve istatistiksel analizdan görselleştirmeye kadar çeşitli görevleri yerine getirmenizi sağlar. Paketler kullanarak karmaşık işlemler için önceden yazılmış kod sağlayarak zaman ve çaba tasarrufu sağlar.

Paketlere nasıl erişilir?

R’da paketlere erişmek ve kullanmak basit bir işlemdir. Ana adımlar kurulum, yükleme ve kullanımdan oluşur. İşlem , bir kes yapılacak olan kurulum ile başlar. Kurulduktan sonra , paket, işlemlerine ve veri kümelerine erişmek için R oturumunuza yüklenmelidir. Yüklendikten sonra , paket tarafından sağlanan işlevleri kullanarak çeşitli görevleri yerine getirebilir ve analitik araç kutunuzu güçlendirebilirsiniz.

ÖRNEK WDI PAKETİ

WDI paketi, Dünya Bankası’nın kapsamlı Dünya Kalkınma Göstergeleri veri deposuna erişimi kolaylaştıran güçlü bir araçtır.

Temel Özellikleri :

GSYİH nüfus ölçümleri ve eğitim istatistikleri gibi çeşitli göstergelerin alınmasını sağlar.

Belirli ülkeler ve bölgeler için belirli göstergeleri bulup almak için sezgisel bir arayüz sağlar.

-Önemi:

Küresel ekonomik eğilimleri anlamak ve verimlilik içgörülerini anlamak için temek öneme sahiptir. Karmaşık veri alımnı basitleştirir, uluslar arası önemli ekonomik göstergelerin analizini yapmayı sağlar.

pipe operatörü %>%

tidyverse

library(WDI)

İŞSİZLİK

knitr::opts_chunk$set(echo = TRUE)

FRANSA ve TÜRKİYE

FRANSA

knitr::opts_chunk$set(echo = TRUE)

Fransa İstatistik Bürosu’ndan (Insee) yapılan açıklamaya göre, 2021 yılı 2.çeyrek dönemde anakaradaki büyük şehirler için hesaplanan işsizlik oranı (Mayotte Adası Hariç) yüzde 8,1’den yüzde 8’e geriledi. Piyasa beklentisi oranın yüzde 7,7’ye ineceği yönündeydi.

İşsiz sayısı bir önceki döneme göre 16 bin düşüşle 2 milyon 386 bin oldu.

TÜRKİYE

knitr::opts_chunk$set(echo = TRUE)

İşgücü İstatistikleri, Ocak 2024

Mevsim etkisinden arındırılmış işsizlik oranı %9,1 seviyesinde gerçekleşti

Hanehalkı İşgücü Araştırması sonuçlarına göre; 15 ve daha yukarı yaştaki kişilerde işsiz sayısı 2024 yılı Ocak ayında bir önceki aya göre 85 bin kişi artarak 3 milyon 214 bin kişi oldu. İşsizlik oranı ise 0,2 puan artarak %9,1 seviyesinde gerçekleşti. İşsizlik oranı erkeklerde %7,7 iken kadınlarda %11,7 olarak tahmin edildi.

Mevsim etkisinden arındırılmış işsizlik oranı, Ocak 2022 - Ocak 2024 (%)

Mevsim etkisinden arındırılmış istihdam oranı %49,0 oldu

İstihdam edilenlerin sayısı 2024 yılı Ocak ayında bir önceki aya göre 160 bin kişi artarak 32 milyon 222 bin kişi, istihdam oranı ise 0,2 puan artarak %49,0 oldu. Bu oran erkeklerde %66,0 iken kadınlarda %32,4 olarak gerçekleşti.

Mevsim etkisinden arındırılmış istihdam oranı, Ocak 2022 - Ocak 2024 (%)

Mevsim etkisinden arındırılmış işgücüne katılma oranı %53,9 olarak gerçekleşti

İşgücü 2024 yılı Ocak ayında bir önceki aya göre 245 bin kişi artarak 35 milyon 436 bin kişi, işgücüne katılma oranı ise 0,3 puan artarak %53,9 olarak gerçekleşti. İşgücüne katılma oranı erkeklerde %71,5 iken kadınlarda %36,6 oldu.

Genç nüfusta mevsim etkisinden arındırılmış işsizlik oranı %16,6 oldu

15-24 yaş grubunu kapsayan genç nüfusta işsizlik oranı bir önceki aya göre 1,1 puan artarak %16,6 oldu. Bu yaş grubunda işsizlik oranı; erkeklerde %14,1, kadınlarda ise %21,1 olarak tahmin edildi. Mevsim ve takvim etkilerinden arındırılmış haftalık ortalama fiili çalışma süresi 43,3 saat oldu

İstihdam edilenlerden referans döneminde işbaşında olanların, mevsim ve takvim etkilerinden arındırılmış haftalık ortalama fiili çalışma süresi 2024 yılı Ocak ayında bir önceki aya göre 0,4 saat azalarak 43,3 saat olarak gerçekleşti. Mevsim etkisinden arındırılmış atıl işgücü oranı %26,5 oldu

Zamana bağlı eksik istihdam, potansiyel işgücü ve işsizlerden oluşan atıl işgücü oranı 2024 yılı Ocak ayında bir önceki aya göre 1,7 puan artarak %26,5 oldu. Zamana bağlı eksik istihdam ve işsizlerin bütünleşik oranı %18,2 iken işsiz ve potansiyel işgücünün bütünleşik oranı %18,3 olarak tahmin edildi.

library(WDI)

data <- WDI(country = "FR" , indicator =c("AG.SRF.TOTL.K2") , start = 2000)

AG.SRF.TOTL.K2 = Fransa’nın yüz ölçümü

Explore Paketi

library(explore)

describe_all(data)

## # A tibble: 5 × 8
##   variable       type     na na_pct unique     min    mean    max
##   <chr>          <chr> <int>  <dbl>  <int>   <dbl>   <dbl>  <dbl>
## 1 country        chr       0    0        1     NA      NA      NA
## 2 iso2c          chr       0    0        1     NA      NA      NA
## 3 iso3c          chr       0    0        1     NA      NA      NA
## 4 year           int       0    0       24   2000    2012.   2023
## 5 AG.SRF.TOTL.K2 dbl       2    8.3      4 549087. 549101. 549387

Ekstra Bilgi verisi

ekstra_veri <- WDI_data$country

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

data_ekstra <- left_join(data, ekstra_veri)

## Joining with `by = join_by(country, iso2c, iso3c)`

data_ekstra <- data_ekstra %>% filter(income != "Aggregates")

data_ekstra %>% describe_all()

## # A tibble: 11 × 8
##    variable       type     na na_pct unique     min    mean    max
##    <chr>          <chr> <int>  <dbl>  <int>   <dbl>   <dbl>  <dbl>
##  1 country        chr       0    0        1     NA      NA      NA
##  2 iso2c          chr       0    0        1     NA      NA      NA
##  3 iso3c          chr       0    0        1     NA      NA      NA
##  4 year           int       0    0       24   2000    2012.   2023
##  5 AG.SRF.TOTL.K2 dbl       2    8.3      4 549087. 549101. 549387
##  6 region         chr       0    0        1     NA      NA      NA
##  7 capital        chr       0    0        1     NA      NA      NA
##  8 longitude      chr       0    0        1     NA      NA      NA
##  9 latitude       chr       0    0        1     NA      NA      NA
## 10 income         chr       0    0        1     NA      NA      NA
## 11 lending        chr       0    0        1     NA      NA      NA

france_data <- data.frame(year = 2000 , 2022, unemployment_rate = c(7.5, 7.2, NA, 8.1, 7.8, NA, 7.1, 7.0, 6.9, 6.8, NA, 7.2, 7.0, 6.9, NA, 6.5, 6.4, 6.3, 6.2, 6.1, 6.0, NA))

turkey_data <- data.frame(year = 2000 , 2022, unemployment_rate = c(9.5, 9.2, 9.1, 9.0, NA, 8.8, 8.7, 8.5, NA, 8.4, 8.3, 8.2, 8.1, 8.0, 7.9, 7.8, 7.7, 7.6, 7.5, NA, 7.4, 7.3))

FRANSA İÇİN EKSİK DEĞERLERİN ORANI

france_na_count <- sum(is.na(france_data$unemployment_rate))

france_total_count <- nrow(france_data)

france_na_percentage <- (france_na_count / france_total_count) * 100

TÜRKİYE İÇİN EKSİK DEĞERLERİN ORANI

turkey_na_count <- sum(is.na(turkey_data$unemployment_rate))

turkey_total_count <- nrow(turkey_data)

turkey_na_percentage <- (turkey_na_count /  turkey_total_count) * 100

FRANSA’NIN İŞSİZLİK ORANLARI

france_data <- data.frame(
  year = 2000 , 2022,
  unemployment_rate = c(
    7.5, 7.2, 7.3, 8.1, 7.8, 7.9, 7.1, 7.0, 6.9, 6.8, 6.9,
    7.2, 7.0, 6.9, 7.1, 6.5, 6.4, 6.3, 6.2, 6.1, 6.0, 6.2))

TÜRKİYE’NİN İŞSİZLİK ORANLARI

turkey_data <- data.frame(
  year = 2000 , 2022,
  unemployment_rate = c(
    9.5, 9.2, 9.1, 9.0, 9.2, 8.8, 8.7, 8.5, 8.4, 8.3, 8.2,
    8.1, 8.0, 7.9, 7.8, 7.7, 7.6, 7.5, 7.4, 7.3, 7.2, 7.1
  )
)

kayip_degerler <- data_ekstra %>% group_by(country) %>%  summarise(kayip = sum(is.na(france_data)))

data <- left_join(data_ekstra, kayip_degerler)

## Joining with `by = join_by(country)`

data <- data %>% filter(kayip <1)

describe_all(data)

## # A tibble: 12 × 8
##    variable       type     na na_pct unique     min    mean    max
##    <chr>          <chr> <int>  <dbl>  <int>   <dbl>   <dbl>  <dbl>
##  1 country        chr       0    0        1     NA      NA      NA
##  2 iso2c          chr       0    0        1     NA      NA      NA
##  3 iso3c          chr       0    0        1     NA      NA      NA
##  4 year           int       0    0       24   2000    2012.   2023
##  5 AG.SRF.TOTL.K2 dbl       2    8.3      4 549087. 549101. 549387
##  6 region         chr       0    0        1     NA      NA      NA
##  7 capital        chr       0    0        1     NA      NA      NA
##  8 longitude      chr       0    0        1     NA      NA      NA
##  9 latitude       chr       0    0        1     NA      NA      NA
## 10 income         chr       0    0        1     NA      NA      NA
## 11 lending        chr       0    0        1     NA      NA      NA
## 12 kayip          int       0    0        1      0       0       0

FRANSA’NIN İŞSİZLİK ORANI VE NÜFUSU

france_unemployment <- data.frame(
  year = 2000 , 2022,
  unemployment_rate = c(
    7.5, 7.2, 7.3, 8.1, 7.8, 7.9, 7.1, 7.0, 6.9, 6.8, 6.9,
    7.2, 7.0, 6.9, 7.1, 6.5, 6.4, 6.3, 6.2, 6.1, 6.0, 6.2
  )
)

france_population <- data.frame(
  year = 2000 , 2022,
  population = c(
    61000000, 61200000, 61400000, 61600000, 61800000, 62000000,
    62200000, 62400000, 62600000, 62800000, 63000000, 63200000,
    63400000, 63600000, 63800000, 64000000, 64200000, 64400000,
    64600000, 64800000, 65000000, 65200000
  )
)


write.csv(france_unemployment, "france_unemployment.csv", row.names = FALSE)
write.csv(france_population, "france_population.csv", row.names = FALSE)

library(ggplot2)

issizlik_verisi4 <-WDI(country = "all",indicator = c("SL.UEM.TOTL.ZS"),start = 2000)

issizlik_verisi3 <-WDI(country = "all", indicator = c("SL.UEM.TOTL.ZS", "SP.POP.TOTL"), start = 2000)

issizlik_verisi <-WDI(country =  "TUR", indicator = c("SL.UEM.TOTL.ZS", "SP.POP.TOTL"), start = 2000, 2022)

library(ggplot2)

issizlik_verisi <- WDI(country = "TR", indicator = "SL.UEM.TOTL.ZS", start = 2000, end = 2022)

issizlik_verisi2 <- WDI(country = "FR", indicator = "SL.UEM.TOTL.ZS", start = 2000, end = 2022)

ggplot(issizlik_verisi4, aes(x=year, y="SL.UEM.TOTL.ZS")) + geom_area()

ggplot(data = WDI(country = "FRA"), aes(x = year, y ="SL.UEM.TOTL.ZS" )) +
  geom_line() +
  labs(title = "Fransa İşsizlik Oranı (2000-2022)",
       x = "Yıl",
       y = "İşsizlik Oranı (%)") +
  theme_minimal()

issizlik_verisi4 <- WDI(country = "all", indicator = c("SL.UEM.TOTL.ZS"), start = 2000)

library(shiny)
library(shinyFiles)

server <- function(input, output, session) {
  volumes <- getVolumes()
  shinyDirChoose(
    input,
    "dir",
    roots = volumes,
    filetypes = c("", "jpg", "jpeg", "png"),
    session = session
  )
  
  output$dir <- renderPrint({
    parseDirPath(volumes, input$dir)
  })
}

knitr::opts_chunk$set(echo = TRUE)