EKONOMETRI 2 VIZE PROJESI
Proje Tanımı: Dünya Bankası Verileri Üzerinden Ülke Karşılaştırmalı Analiz
Bu proje, Dünya Bankası Verileri (WDI) kullanılarak Almanya, Brezilya ve Etiyopya gibi ülkeler arasında karşılaştırmalı bir analiz yapmayı amaçlamaktadır. Projede kullanılacak temel göstergeler, yoksulluk, cinsiyet eşitliği ve çocuk ve aile refahıdır.
Projede Yapılacaklar
Veri Toplama: İlk adımda, Dünya Bankası Verileri kullanılarak Almanya, Brezilya ve Etiyopya’dan ilgili göstergelere ilişkin veri toplanacaktır. Bu veriler, karşılaştırmalı analiz için temel oluşturacaktır.
Veri Analizi ve Karşılaştırma: Toplanan veriler analiz edilecek ve Almanya, Brezilya ve Etiyopya arasında yoksulluk, cinsiyet eşitliği ve çocuk ve aile refahı alanlarında karşılaştırmalı analizler yapılacaktır. Bu analizler, her ülkenin performansını anlamak ve karşılaştırmak için kullanılacaktır.
Farklı Veri Analiz Yöntemleri Uygulama: Karşılaştırmalı analizlerde farklı veri analizi yöntemleri kullanılacaktır. Örneğin, istatistiksel analizler, veri görselleştirmesi ve makine öğrenimi teknikleri kullanılabilir. Bu yöntemlerin kullanımı, farklı ülkelerin sosyo-ekonomik göstergeleri arasındaki ilişkileri anlamak için sağlanacaktır.
Beklenen Sonuçlar
Proje tamamlandığında, Almanya, Brezilya ve Etiyopya’nın yoksulluk, cinsiyet eşitliği ve çocuk ve aile refahı açısından performanslarını karşılaştıran kapsamlı bir analiz sunulacaktır. Bu analizler, her bir ülkenin güçlü ve zayıf yönlerini belirlemeye ve politika yapımına yönelik öneriler geliştirmeye yardımcı olacaktır.
R Paketleri: Analitik Gücünüzü Genişletin
R dilindeki paketler, çeşitli analizleri yapabilmeniz ve işlerinizi kolaylaştırmanız için oluşturulmuş yazılım paketleridir. R kullanıcıları, bu paketleri RStudio veya R’nin temel konsol ortamlarında yükleyip kullanabilirler.
1 - Kullanım Kolaylığı ve Çeşitlilik
Paketler, R’nin güçlü analitik yeteneklerini genişletebilir ve çeşitli veri analizi, görselleştirme ve istatistiksel işlemler için kullanılabilir. Birçok alanda uzmanlaşmış fonksiyonları içeren bu paketler, veri manipülasyonu, temizleme, istatistiksel modelleme, veri görselleştirme, zaman serisi analizi gibi birçok alanda kullanıma sahiptir.
2 - Önem ve Kullanım Alanları
R paketlerinin önemi, kullanıcılara karmaşık analizleri yapabilme yeteneği sağlamasıdır. Araştırmacılar, öğrenciler ve profesyoneller, paketler aracılığıyla veri manipülasyonu, görselleştirme, hipotez testi, regresyon analizi, zaman serisi analizi gibi çeşitli analitik işlemleri gerçekleştirebilirler.
3- Çeşitli Uygulama Alanları
R paketleri, istatistik, ekonomi, biyoloji, mühendislik ve daha birçok alanda kullanılmaktadır. Bu paketler, veri odaklı kararlar almak için güçlü bir kaynak sağlar ve analiz süreçlerini optimize eder.
# Gerekli Kütüphaneleri İçe Aktarın
# WDI: Dünya Bankası Verilerine erişmek için kullanılır
library(WDI)
# dplyr paketini yükle
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Loading required package: ggplot2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layout# lubridate: Tarih ve saat verileriyle çalışmak için kullanılır, zaman serisi analizi için önemlidir
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2)
# stringr: Metin verilerini işlemek için kullanılır, metin manipülasyonu için faydalıdır
library(stringr)Bu kod parçası, projenizde kullanacağınız önemli R kütüphanelerini içe aktarır ve her birinin kısa açıklamasını içerir. Bu kütüphaneler, veri analizi işlemlerini kolaylaştırmak ve verimliliği artırmak için kullanılabilir.
# WDI paketini yükle
library(WDI)
# Veri çekme işlemi
veri <- WDI(country = c("DE", "BR", "ET"), # Almanya, Brezilya ve Etiyopya ülkeleri
indicator = c("SI.POV.DDAY", "SG.GEN.PARL.ZS", "SH.STA.BRTC.ZS"), # Yoksulluk, cinsiyet eşitliği, çocuk ve aile refahı göstergeleri
start = 2010, end = 2020) # Zaman aralığı
print(veri)## country iso2c iso3c year SI.POV.DDAY SG.GEN.PARL.ZS SH.STA.BRTC.ZS
## 1 Brazil BR BRA 2010 NA 8.576998 98.9
## 2 Brazil BR BRA 2011 5.3 8.576998 99.0
## 3 Brazil BR BRA 2012 4.5 8.576998 99.0
## 4 Brazil BR BRA 2013 3.7 8.576998 98.0
## 5 Brazil BR BRA 2014 3.3 9.941520 98.4
## 6 Brazil BR BRA 2015 3.9 9.941520 98.2
## 7 Brazil BR BRA 2016 4.7 9.941520 98.6
## 8 Brazil BR BRA 2017 5.3 10.721248 98.7
## 9 Brazil BR BRA 2018 5.3 15.009747 98.8
## 10 Brazil BR BRA 2019 5.4 15.009747 99.1
## 11 Brazil BR BRA 2020 2.0 14.619883 NA
## 12 Ethiopia ET ETH 2010 30.8 27.787934 NA
## 13 Ethiopia ET ETH 2011 NA 27.787934 10.8
## 14 Ethiopia ET ETH 2012 NA 27.787934 NA
## 15 Ethiopia ET ETH 2013 NA 27.787934 23.1
## 16 Ethiopia ET ETH 2014 NA 27.787934 15.5
## 17 Ethiopia ET ETH 2015 27.0 38.756856 NA
## 18 Ethiopia ET ETH 2016 NA 38.756856 27.7
## 19 Ethiopia ET ETH 2017 NA 38.756856 NA
## 20 Ethiopia ET ETH 2018 NA 38.756856 NA
## 21 Ethiopia ET ETH 2019 NA 38.756856 49.8
## 22 Ethiopia ET ETH 2020 NA 38.756856 NA
## 23 Germany DE DEU 2010 0.0 32.797428 96.8
## 24 Germany DE DEU 2011 0.0 32.903226 96.9
## 25 Germany DE DEU 2012 0.0 32.903226 97.0
## 26 Germany DE DEU 2013 0.0 36.450079 96.9
## 27 Germany DE DEU 2014 0.0 36.450079 96.9
## 28 Germany DE DEU 2015 0.0 36.450079 97.1
## 29 Germany DE DEU 2016 0.0 36.450079 96.2
## 30 Germany DE DEU 2017 0.2 30.747532 97.1
## 31 Germany DE DEU 2018 0.0 30.747532 96.2
## 32 Germany DE DEU 2019 0.0 30.888575 96.2
## 33 Germany DE DEU 2020 NA 31.170663 NAdplyr Paketi: Veri Manipülasyonu için Temel Bir Kütüphane
dplyr paketi, R’de veri manipülasyonunu kolaylaştıran bir kütüphanedir. Bu paket, veri çerçeveleri üzerinde filtreleme, sıralama, toplama ve dönüştürme gibi işlemleri gerçekleştirmek için kullanılır. dplyr, tidyverse kütüphanesinin önemli bir bileşenidir ve veri analizi süreçlerini optimize etmeye yardımcı olur.
Teorik Bilgi: dplyr paketi, veri manipülasyonu için bir dizi fonksiyon içerir. Özellikle, filter(), mutate(), summarise() gibi fonksiyonlar, veri çerçeveleri üzerinde farklı işlemleri gerçekleştirmek için kullanılır. filter() fonksiyonu, belirli bir koşula göre gözlemleri filtrelemek için kullanılırken, summarise() fonksiyonu, toplam ve özet istatistikler hesaplamak için kullanılır.
Kullanım Örneği: Projemizde, dplyr paketini kullanarak veri setimizi manipüle edebilir ve analiz edebiliriz. Örneğin, veri setimizi filtrelemek, yeni değişkenler oluşturmak veya toplamak için dplyr fonksiyonlarını kullanabiliriz.
# Veri setimizi filtrelemek için filter() fonksiyonunu kullanalım
filtreli_veri <- veri %>%
filter(country == "Brazil") # Sadece Brezilya verilerini filtrele
# Filtrelenmiş veriyi görüntüle
print(filtreli_veri)## country iso2c iso3c year SI.POV.DDAY SG.GEN.PARL.ZS SH.STA.BRTC.ZS
## 1 Brazil BR BRA 2010 NA 8.576998 98.9
## 2 Brazil BR BRA 2011 5.3 8.576998 99.0
## 3 Brazil BR BRA 2012 4.5 8.576998 99.0
## 4 Brazil BR BRA 2013 3.7 8.576998 98.0
## 5 Brazil BR BRA 2014 3.3 9.941520 98.4
## 6 Brazil BR BRA 2015 3.9 9.941520 98.2
## 7 Brazil BR BRA 2016 4.7 9.941520 98.6
## 8 Brazil BR BRA 2017 5.3 10.721248 98.7
## 9 Brazil BR BRA 2018 5.3 15.009747 98.8
## 10 Brazil BR BRA 2019 5.4 15.009747 99.1
## 11 Brazil BR BRA 2020 2.0 14.619883 NA# Yeni bir değişken oluşturmak için mutate() fonksiyonunu kullanalım
mutate_veri <- veri %>%
mutate(yeni_degisken = SI.POV.DDAY / 100) # Yeni bir değişken oluştur ve hesapla
# Yeni oluşturulan değişkeni görüntüle
print(mutate_veri)## country iso2c iso3c year SI.POV.DDAY SG.GEN.PARL.ZS SH.STA.BRTC.ZS
## 1 Brazil BR BRA 2010 NA 8.576998 98.9
## 2 Brazil BR BRA 2011 5.3 8.576998 99.0
## 3 Brazil BR BRA 2012 4.5 8.576998 99.0
## 4 Brazil BR BRA 2013 3.7 8.576998 98.0
## 5 Brazil BR BRA 2014 3.3 9.941520 98.4
## 6 Brazil BR BRA 2015 3.9 9.941520 98.2
## 7 Brazil BR BRA 2016 4.7 9.941520 98.6
## 8 Brazil BR BRA 2017 5.3 10.721248 98.7
## 9 Brazil BR BRA 2018 5.3 15.009747 98.8
## 10 Brazil BR BRA 2019 5.4 15.009747 99.1
## 11 Brazil BR BRA 2020 2.0 14.619883 NA
## 12 Ethiopia ET ETH 2010 30.8 27.787934 NA
## 13 Ethiopia ET ETH 2011 NA 27.787934 10.8
## 14 Ethiopia ET ETH 2012 NA 27.787934 NA
## 15 Ethiopia ET ETH 2013 NA 27.787934 23.1
## 16 Ethiopia ET ETH 2014 NA 27.787934 15.5
## 17 Ethiopia ET ETH 2015 27.0 38.756856 NA
## 18 Ethiopia ET ETH 2016 NA 38.756856 27.7
## 19 Ethiopia ET ETH 2017 NA 38.756856 NA
## 20 Ethiopia ET ETH 2018 NA 38.756856 NA
## 21 Ethiopia ET ETH 2019 NA 38.756856 49.8
## 22 Ethiopia ET ETH 2020 NA 38.756856 NA
## 23 Germany DE DEU 2010 0.0 32.797428 96.8
## 24 Germany DE DEU 2011 0.0 32.903226 96.9
## 25 Germany DE DEU 2012 0.0 32.903226 97.0
## 26 Germany DE DEU 2013 0.0 36.450079 96.9
## 27 Germany DE DEU 2014 0.0 36.450079 96.9
## 28 Germany DE DEU 2015 0.0 36.450079 97.1
## 29 Germany DE DEU 2016 0.0 36.450079 96.2
## 30 Germany DE DEU 2017 0.2 30.747532 97.1
## 31 Germany DE DEU 2018 0.0 30.747532 96.2
## 32 Germany DE DEU 2019 0.0 30.888575 96.2
## 33 Germany DE DEU 2020 NA 31.170663 NA
## yeni_degisken
## 1 NA
## 2 0.053
## 3 0.045
## 4 0.037
## 5 0.033
## 6 0.039
## 7 0.047
## 8 0.053
## 9 0.053
## 10 0.054
## 11 0.020
## 12 0.308
## 13 NA
## 14 NA
## 15 NA
## 16 NA
## 17 0.270
## 18 NA
## 19 NA
## 20 NA
## 21 NA
## 22 NA
## 23 0.000
## 24 0.000
## 25 0.000
## 26 0.000
## 27 0.000
## 28 0.000
## 29 0.000
## 30 0.002
## 31 0.000
## 32 0.000
## 33 NA# Toplam nüfusu hesaplamak için summarise() fonksiyonunu kullanalım
toplam_nufus <- veri %>%
summarise(toplam_nufus = sum(SI.POV.DDAY, na.rm = TRUE)) # Toplam nüfusu hesapla
# Toplam nüfusu görüntüle
print(toplam_nufus)## toplam_nufus
## 1 101.4Plotly Kütüphanesi: İnteraktif Grafik Oluşturma
Plotly, R programlama dilinde interaktif ve dinamik grafikler oluşturmak için kullanılan bir kütüphanedir. Bu kütüphane, çeşitli grafik türlerini (çizgi grafikleri, bar grafikleri, dağılım grafikleri vb.) oluşturmanıza olanak tanır ve bu grafikler üzerinde fareyle etkileşime geçebilme özelliğine sahiptir.
Plotly ile oluşturulan grafikler web tabanlıdır ve çevrimiçi olarak paylaşılabilir. Kullanıcılar, fareyle grafik üzerine gelerek veri noktalarının değerlerini görebilir, grafikleri yakınlaştırıp uzaklaştırabilir, grafikler arasında geçiş yapabilir ve daha birçok interaktif özellikten yararlanabilir.
Bu kütüphane, veri analizi ve keşif sürecinde önemli bir araçtır çünkü verileri görselleştirerek anlamak ve veri hikayelerini anlatmak için etkili bir yol sunar.
# Brezilya verilerini filtrele
filtreli_veri <- veri %>%
filter(country == "Brazil")
# Veri Görselleştirme: Interaktif Çizgi Grafiği Oluşturma
# --- TEORİK BİLGİ ---
# plotly kütüphanesi, R'de interaktif ve dinamik grafikler oluşturmak için kullanılır.
# Bu grafikler, kullanıcının fareyle üzerine gelerek detaylı bilgilere erişebileceği interaktif özelliklere sahiptir.
# -------------------
grafik <- plot_ly(data = filtreli_veri, x = ~year, y = ~SI.POV.DDAY, type = 'scatter', mode = 'lines', # Çizgi grafiği oluştur
name = 'Yoksulluk Oranı', line = list(color = 'blue')) %>%
layout(title = "Brezilya'daki Yoksulluk Oranının Zaman İçindeki Değişimi", # Başlık
xaxis = list(title = "Yıl"), # X ekseni etiketi
yaxis = list(title = "Yoksulluk Oranı"), # Y ekseni etiketi
hovermode = "closest") # Etkileşim modunu ayarla
# Oluşturulan grafik nesnesini görüntüle
grafik## 'data.frame': 33 obs. of 8 variables:
## $ country : chr "Brazil" "Brazil" "Brazil" "Brazil" ...
## $ iso2c : chr "BR" "BR" "BR" "BR" ...
## $ iso3c : chr "BRA" "BRA" "BRA" "BRA" ...
## $ year : int 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 ...
## $ SI.POV.DDAY : num NA 5.3 4.5 3.7 3.3 3.9 4.7 5.3 5.3 5.4 ...
## ..- attr(*, "label")= chr "Poverty headcount ratio at $2.15 a day (2017 PPP) (% of population)"
## $ SG.GEN.PARL.ZS: num 8.58 8.58 8.58 8.58 9.94 ...
## ..- attr(*, "label")= chr "Proportion of seats held by women in national parliaments (%)"
## $ SH.STA.BRTC.ZS: num 98.9 99 99 98 98.4 98.2 98.6 98.7 98.8 99.1 ...
## ..- attr(*, "label")= chr "Births attended by skilled health staff (% of total)"
## $ date : Date, format: "2010-01-01" "2011-01-01" ...veri <- veri %>%
mutate(date = as.Date(date, format = "%d-%m-%Y"))
# Güncellenmiş veri setinin yapısını incele
str(veri)## 'data.frame': 33 obs. of 8 variables:
## $ country : chr "Brazil" "Brazil" "Brazil" "Brazil" ...
## $ iso2c : chr "BR" "BR" "BR" "BR" ...
## $ iso3c : chr "BRA" "BRA" "BRA" "BRA" ...
## $ year : int 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 ...
## $ SI.POV.DDAY : num NA 5.3 4.5 3.7 3.3 3.9 4.7 5.3 5.3 5.4 ...
## ..- attr(*, "label")= chr "Poverty headcount ratio at $2.15 a day (2017 PPP) (% of population)"
## $ SG.GEN.PARL.ZS: num 8.58 8.58 8.58 8.58 9.94 ...
## ..- attr(*, "label")= chr "Proportion of seats held by women in national parliaments (%)"
## $ SH.STA.BRTC.ZS: num 98.9 99 99 98 98.4 98.2 98.6 98.7 98.8 99.1 ...
## ..- attr(*, "label")= chr "Births attended by skilled health staff (% of total)"
## $ date : Date, format: "2010-01-01" "2011-01-01" ...##ggplot2 Kütüphanesi:
Veri Görselleştirme ve Analiz için Güçlü Bir Araçggplot2, R programlama dilinde veri görselleştirme ve analizi için kullanılan güçlü bir kütüphanedir. Veri görselleştirmesini “katmanlar” yaklaşımıyla gerçekleştirir, yani grafiğinizi oluşturmak için veri, estetik özellikler ve geometrik nesneler gibi ayrı bileşenlerin birleştirilmesini sağlar. Temel İşlevler: Veri Katmanı: Veriyi temsil eden bir veri çerçevesi belirleyin. Estetik Katmanı: Veri özelliklerini (x, y konumları, renk, şekil vb.) grafiğin özelliklerine eşleyin. Geometrik Katman: Grafik türünü (nokta, çizgi, bar vb.) belirleyin. Fasetağlar: Grafikleri kategorilere veya alt gruplara göre bölünmüş alt grafiklere ayırın. Temalar: Grafik görünümünü özelleştirmek için farklı tema seçenekleri sunar. Kullanımı: Veri Hazırlığı: İlk adım, veri çerçevesinin hazırlanması ve uygun biçimde düzenlenmesidir. ggplot() Fonksiyonu: Temel grafik nesnesini oluşturun ve estetik özellikleri belirleyin. Geometrik Fonksiyonlar: geom_ öneki ile başlayan geometrik fonksiyonları kullanarak grafiğinizi oluşturun. Estetik Değişiklikler: Renk, şekil, boyut gibi estetik özellikleri ayarlayın. Fasetağlar: facet_wrap() veya facet_grid() gibi fonksiyonlarla grafikleri alt gruplara bölebilirsiniz. Temalar: Grafik görünümünü özelleştirmek için theme() fonksiyonunu kullanın. Örnek: Aşağıdaki kod, ggplot2 kütüphanesini kullanarak WDI paketinden alınan veriyi görselleştirmektedir.
library(ggplot2)
library(dplyr)
library(tidyr)
veri_long <- veri %>%
pivot_longer(cols = starts_with("SI.") | starts_with("SG.") | starts_with("SH."),
names_to = "indicator", values_to = "value") %>%
filter(!is.na(value)) # Remove NA values
ggplot(veri_long, aes(x = year, y = value, color = country)) +
geom_line() +
facet_wrap(~indicator, scales = "free_y") +
labs(x = "Year", y = "Value", color = "Country") +
theme_minimal() +
ggtitle("Comparative Analysis of Indicators Over Time")