EKONOMETRI BÜTÜNLEME PROJESI

TEKNOLOJI

.Teknolojik Yeniliklerin Ekonomik Büyüme Üzerindeki Etkisi

#1-Giriş #2-Literatür İncelemesi 3. Araştırma Tasarımı #3.1 . Pazar Dinamiklerinin Değişmesi #3.2 II. Veri Kaynağı #3.3 III. Değişkenler #3.4 IV. Ekonomik Model #3.5 5. Ar-Ge ve Yatırım Artışı #4. İşgücü ve İnsan Sermayesinin Gelişimi #5-Sonuç #5-Kaynaklar

##Özet

Teknolojik yeniliklerin ekonomik büyüme üzerindeki etkisi, birçok araştırmada incelenmiştir. Özellikle Türkiye örneğinde, teknoloji yoğunluklarına göre ihracat ve ithalat performanslarının ekonomik büyüme üzerine etkisi araştırılmıştır. Bu çalışmalardan biri, 2002-2018 dönemine ait verileri kullanarak düşük, düşük-orta, orta-ileri ve ileri teknolojili ürünlerin ihracat ve ithalatlarının ekonomik büyüme ile eşbütünleşik olduğunu tespit etmiştir

##Anahtar Kelimeler:

Teknolojik yenilikler, ekonomik büyüme, inovasyon, AR-GE harcamaları, bilişim teknolojileri

1-Giriş

Teknolojik yenilikler, ekonomik büyümenin ana itici güçlerinden biri olarak kabul edilir. Yenilikler, üretkenliği artırarak, yeni ürünler ve hizmetler sunarak ve piyasaları dönüştürerek ekonominin genel performansını iyileştirir. Bu incelemede, teknolojik yeniliklerin ekonomik büyüme üzerindeki etkileri, temel teorik yaklaşımlar ve ampirik bulgular ışığında ele alınacaktır.Günümüzde teknolojik yeniliklerin ekonomik büyüme üzerindeki etkisi giderek artan bir öneme sahiptir. Teknolojik gelişmeler, endüstrileri dönüştürerek üretkenliği artırabilir, rekabeti teşvik edebilir ve ekonomik büyümeyi tetikleyebilir. Bu literatür taraması, teknolojik yeniliklerin ekonomik büyüme üzerindeki etkisini anlamak için önceki çalışmalara odaklanmaktadır. Ayrıca, bu alandaki önemli bulguları ve tartışmaları ele alarak, gelecekteki araştırmalara ışık tutmayı amaçlamaktadır.

2-Literatür İncelemesi

Literatür incelemesi, belirli bir konu veya araştırma sorusu hakkında mevcut akademik çalışmaların, makalelerin, kitapların ve diğer kaynakların sistematik bir şekilde gözden geçirilmesi ve özetlenmesi sürecidir. Bu süreç, araştırmacıların mevcut bilgi düzeyini anlamalarına, boşlukları belirlemelerine ve kendi çalışmalarını bu bilgi temeli üzerine inşa etmelerine yardımcı olur.

Literatür İncelemesinin Amacı Mevcut Bilgiyi Özetleme: Araştırma alanındaki mevcut bilgiyi özetler ve ilgili teorileri, kavramları, yöntemleri ve bulguları sunar. Boşlukları Belirleme: Mevcut çalışmalarda eksik veya yetersiz alanları belirleyerek yeni araştırma soruları oluşturur. Metodolojik Yönlendirme: Araştırmacıya, hangi metodolojik yaklaşımların kullanıldığını ve hangi yaklaşımların daha etkili olabileceğini gösterir. Teorik Çerçeve Oluşturma: Araştırmanın teorik temellerini oluşturur ve araştırmanın hangi teorik bağlamda ele alınacağını belirler. Kapsamlı Anlayış Geliştirme: Araştırmacının konuyu derinlemesine anlamasına ve önceki çalışmaları kritik bir bakış açısıyla değerlendirmesine yardımcı olur. Literatür İncelemesi Türleri Anlatı Literatür İncelemesi:

Geniş bir konu hakkında genel bir bakış sağlar. Araştırmalar arasında bağlar kurar ve genel eğilimleri belirtir. Örnek: Teknolojik yeniliklerin genel ekonomik etkilerini değerlendiren bir inceleme. Sistematik Literatür İncelemesi:

Belirli kriterlere göre seçilmiş çalışmaları sistematik ve kapsamlı bir şekilde inceler. Çalışmaların seçim süreci, analizi ve sentezi açıkça tanımlanır. Örnek: Teknolojik yeniliklerin ekonomik büyüme üzerindeki etkisi üzerine yapılmış tüm ampirik çalışmaları inceleyen bir araştırma.

3-Araştırma Tasarımı

Araştırma tasarımı, bilimsel araştırmalarda kullanılacak olan yöntemi ve süreçleri planlama sürecidir. Araştırma tasarımı, çalışmanın amacına uygun, güvenilir ve geçerli sonuçlar elde etmeyi hedefler. Bu tasarım, araştırmanın türüne ve amacına bağlı olarak farklılık gösterebilir. Genel olarak, araştırma tasarımı aşağıdaki temel bileşenleri içerir:

1. Araştırma Sorusu ve Hipotezi

  • Araştırma Sorusu: Araştırmanın ana amacını ve neyi çözmeyi hedeflediğini belirler.
  • Hipotez: Araştırma sorusuna verilen tahminî bir cevaptır ve test edilmesi gereken bir iddiayı içerir.

2. Araştırma Türü

  • Nicel Araştırma: Sayısal veriler toplar ve istatistiksel analizler kullanır.
  • Nitel Araştırma: Sözel veriler toplar ve bu verileri anlamlandırmaya çalışır.
  • Karma Yöntem: Hem nicel hem de nitel veri toplar ve analiz eder.

3. Veri Toplama Yöntemleri

  • Anketler: Standart sorular kullanarak veri toplar.
  • Görüşmeler: Katılımcılarla yüz yüze veya telefonla derinlemesine bilgi toplar.
  • Gözlemler: Katılımcıların davranışlarını doğrudan gözlemleyerek veri toplar.
  • Deneyler: Kontrol edilen koşullar altında değişkenlerin etkilerini test eder.

4. Örnekleme

  • Örneklem: Araştırmanın genel evreninden seçilen bir alt gruptur.
  • Örnekleme Yöntemleri: Rastgele örnekleme, tabakalı örnekleme, küme örnekleme gibi farklı yöntemler kullanılabilir.

5. Veri Analizi

  • Nicel Analiz: İstatistiksel teknikler kullanılarak veriler analiz edilir (ör. regresyon analizi, t-testi).
  • Nitel Analiz: Veriler kodlanır ve tematik analiz gibi teknikler kullanılarak yorumlanır.

6. Etik Onay ve Yasal Düzenlemeler

  • Araştırmanın etik kurallara uygun olduğunun ve gerekli yasal izinlerin alındığının doğrulanması gereklidir.

7. Sonuçların Raporlanması ve Yorumlanması

  • Araştırma sonuçlarının, hipotezlerin doğrulanıp doğrulanmadığının, ve bulguların anlam ve öneminin açıklanması.

Araştırma Tasarımı Süreci

  1. Konunun Belirlenmesi ve Araştırma Sorusu Oluşturulması
  2. Literatür Taraması
  3. Hipotez Geliştirilmesi
  4. Araştırma Yönteminin Seçilmesi
  5. Veri Toplama Araçlarının Hazırlanması
  6. Örneklem Seçimi
  7. Veri Toplama
  8. Veri Analizi
  9. Sonuçların Yorumlanması ve Raporlanması

Bu adımlar, sistematik ve planlı bir şekilde izlenerek, araştırmanın bilimsel geçerliliği ve güvenilirliği sağlanabilir. Araştırma tasarımı, araştırmanın başarısının temelidir ve dikkatle planlanması gereken kritik bir süreçtir.

3.1 . Pazar Dinamiklerinin Değişmesi

Pazar dinamiklerinin değişmesi, piyasa koşullarındaki çeşitli faktörlerin zaman içinde nasıl değiştiğini ve bu değişimlerin işletmeler, tüketiciler ve rekabet üzerindeki etkilerini inceler. Pazar dinamiklerinin değişmesi, ekonomik, teknolojik, sosyo-kültürel, politik ve yasal faktörler gibi dış çevre koşullarından kaynaklanabilir. Bu dinamiklerin anlaşılması, işletmelerin stratejik kararlar alırken daha bilinçli olmalarına ve rekabet avantajı elde etmelerine yardımcı olur. İşte pazar dinamiklerinin değişimini etkileyen bazı önemli faktörler:

1. Ekonomik Faktörler

  • Makroekonomik Koşullar: Enflasyon, faiz oranları, döviz kurları ve ekonomik büyüme oranları gibi faktörler pazarın genel sağlığını etkiler.
  • Gelir Dağılımı: Tüketicilerin gelir düzeylerindeki değişiklikler, talep ve harcama alışkanlıklarını değiştirebilir.
  • İşsizlik Oranları: Yüksek işsizlik, tüketici harcamalarını azaltabilir ve pazarın daralmasına neden olabilir.

2. Teknolojik Faktörler

  • Yenilik ve İnovasyon: Yeni teknolojilerin geliştirilmesi ve benimsenmesi, ürün ve hizmetlerde yenilikler yaratır ve pazar dinamiklerini değiştirir.
  • Dijitalleşme: İnternet ve dijital platformların yaygınlaşması, e-ticaret ve dijital pazarlama stratejilerini önemli hale getirir.
  • Otomasyon ve Yapay Zeka: İş süreçlerinin otomasyonu ve yapay zeka uygulamaları, üretkenliği artırırken iş gücü dinamiklerini değiştirir.

3. Sosyo-Kültürel Faktörler

  • Tüketici Davranışları: Tüketicilerin değerleri, inançları, yaşam tarzları ve demografik özellikleri değiştikçe, ürün ve hizmetlere olan talep de değişir.
  • Toplumsal Trendler: Sağlık, çevre bilinci, sürdürülebilirlik gibi trendler, pazarda yeni fırsatlar ve tehditler yaratabilir.
  • Kültürel Değişimler: Kültürel normlar ve geleneklerdeki değişiklikler, tüketici tercihlerine yansır ve pazar dinamiklerini etkiler.

4. Politik ve Yasal Faktörler

  • Yasal Düzenlemeler: Yeni yasalar ve düzenlemeler, işletmelerin faaliyetlerini doğrudan etkileyebilir. Örneğin, çevre koruma yasaları, vergi düzenlemeleri veya ticaret kısıtlamaları.
  • Politik İstikrar: Politik istikrar veya istikrarsızlık, pazarın güvenliğini ve öngörülebilirliğini etkileyebilir.
  • Ticaret Politikaları: Uluslararası ticaret anlaşmaları, gümrük tarifeleri ve kotalar gibi ticaret politikaları, pazar dinamiklerini değiştirebilir.

5. Rekabet Faktörleri

  • Rekabet Yoğunluğu: Pazardaki rekabetin yoğunluğu, işletmelerin stratejik kararlarını ve piyasada var olma mücadelelerini etkiler.
  • Yeni Girişler: Pazara yeni giren rakipler, mevcut pazar dinamiklerini değiştirebilir ve rekabeti artırabilir.
  • Ürün ve Hizmet Yenilikleri: Rakiplerin sunduğu yenilikçi ürün ve hizmetler, müşteri beklentilerini ve talebini değiştirebilir.

Değişen Pazar Dinamiklerine Uyarlama

İşletmelerin değişen pazar dinamiklerine uyum sağlayabilmesi için şu stratejileri benimsemeleri önemlidir: - Pazar Araştırmaları: Sürekli olarak pazar araştırmaları yaparak, pazarın mevcut durumu ve gelecekteki eğilimler hakkında bilgi toplamak. - Esneklik ve Adaptasyon: İş süreçlerini ve stratejilerini hızla değişen koşullara uyacak şekilde esnek tutmak. - Yenilikçilik: Teknolojik gelişmeleri ve tüketici trendlerini takip ederek, ürün ve hizmetlerde yenilikçi çözümler sunmak. - Risk Yönetimi: Pazar dinamiklerindeki değişimlerin yaratabileceği riskleri öngörmek ve bunlara karşı önlemler almak.

Pazar dinamiklerinin değişimi, işletmelerin sürekli olarak takip etmesi ve stratejilerini buna göre güncellemesi gereken kritik bir unsurdur. Bu değişimleri doğru bir şekilde analiz edebilmek, uzun vadede sürdürülebilir bir rekabet avantajı elde etmek için hayati öneme sahiptir.

3.2 II. Veri Kaynağı

3.2 II. Veri Kaynağı

Veri kaynağı, araştırma sürecinde kullanılacak olan verilerin elde edildiği yer veya kişilerdir. Veri kaynakları genellikle birincil ve ikincil olmak üzere iki ana kategoriye ayrılır. II. Veri Kaynağı, yani ikincil veri kaynağı, daha önce başka bir amaçla toplanmış ve mevcut olan verilerdir. İkincil veriler, araştırmacıların zaman ve maliyet tasarrufu yapmasına yardımcı olabilir, çünkü bu veriler genellikle zaten derlenmiş ve analiz edilmiştir.

İkincil Veri Kaynaklarının Türleri

İkincil veriler çeşitli kaynaklardan elde edilebilir. Bu kaynaklar genel olarak aşağıdaki gibi sınıflandırılabilir:

1. Yayınlanmış Kaynaklar

  • Akademik Dergiler: Bilimsel makaleler, incelemeler ve araştırma bulguları içerir.
  • Kitaplar: Teorik bilgiler, vaka çalışmaları ve literatür taramaları sunar.
  • Hükümet Raporları: Resmi istatistikler, ekonomi raporları ve politika belgeleri gibi çeşitli verilere erişim sağlar.

2. Kurumsal Kaynaklar

  • Şirket Raporları: Finansal raporlar, yıllık raporlar ve pazar analizleri.
  • Pazar Araştırma Raporları: Pazar araştırma şirketlerinin yayınladığı sektörel analizler ve tahminler.
  • Endüstri Dernekleri: Belirli sektörlere yönelik raporlar, anket sonuçları ve analizler.

3. Elektronik Veri Tabanları

  • Çevrimiçi Kütüphaneler: Akademik makaleler, e-kitaplar ve diğer bilimsel kaynaklar.
  • Veri Tabanları: İstatistiksel veri tabanları (örneğin, Eurostat, World Bank) ve sektör bazlı veri tabanları.
  • İnternet Kaynakları: Haber siteleri, bloglar ve çevrimiçi yayınlar.

İkincil Verilerin Avantajları ve Dezavantajları

Avantajları:

  • Maliyet ve Zaman Tasarrufu: İkincil veriler genellikle düşük maliyetlidir ve veri toplama süreci gerektirmez.
  • Geniş Kapsam: Çok geniş bir veri setine erişim sağlar ve farklı zaman dilimlerini kapsayabilir.
  • Kolay Erişim: İnternet ve elektronik veri tabanları sayesinde ikincil verilere kolayca ulaşılabilir.

Dezavantajları:

  • Güncellik: İkincil veriler bazen güncel olmayabilir ve bu da analizlerin geçerliliğini etkileyebilir.
  • Veri Uygunluğu: Verilerin araştırma amacına uygunluğu ve spesifikliği her zaman ideal olmayabilir.
  • Kontrol Eksikliği: Verilerin nasıl toplandığı ve analiz edildiği üzerinde kontrol sahibi olunmadığından, veri kalitesi ve doğruluğu sorgulanabilir.

İkincil Veri Kaynaklarının Kullanımı

İkincil veri kaynakları kullanılırken dikkat edilmesi gereken bazı önemli noktalar vardır:

  1. Veri Kalitesi ve Güvenilirliği:
    • Verilerin güvenilir ve itibarlı kaynaklardan alınmış olması önemlidir.
    • Verilerin doğruluğu ve tutarlılığı değerlendirilmelidir.
  2. Veri Güncelliği:
    • Verilerin ne kadar güncel olduğu kontrol edilmelidir.
    • Eski verilerin, mevcut durumla ne kadar örtüştüğü değerlendirilmelidir.
  3. Veri Uygunluğu:
    • Verilerin araştırma sorusu ve hipotezi ile ne kadar uyumlu olduğu değerlendirilmelidir.
    • İkincil verilerin orijinal araştırma amacı ile mevcut araştırma amacının uyumluluğu göz önünde bulundurulmalıdır.
  4. Etik ve Yasal Konular:
    • Verilerin kullanımı ile ilgili etik kurallar ve yasal düzenlemeler dikkate alınmalıdır.
    • Lisanslı veya telif hakkı ile korunan verilerin uygun şekilde kullanılması gereklidir.

Sonuç

İkincil veri kaynakları, araştırma tasarımında önemli bir rol oynar ve araştırmacılara değerli bilgiler sağlar. Ancak, bu verilerin dikkatlice değerlendirilmesi ve doğru bir şekilde kullanılması gereklidir. İkincil veri kaynaklarının avantajlarını ve dezavantajlarını dikkate alarak, araştırmanın güvenilirliğini ve geçerliliğini artırmak mümkündür.

3.3 III. Değişkenler

3.3 III. Değişkenler

Değişkenler, araştırma sürecinde ölçülen veya manipüle edilen unsurlardır ve araştırma sorusunun veya hipotezin test edilmesine yardımcı olurlar. Değişkenlerin tanımlanması ve sınıflandırılması, araştırmanın metodolojik yapısının temelini oluşturur. Değişkenler genel olarak bağımsız, bağımlı ve kontrol değişkenleri olarak sınıflandırılır. Her bir değişken türü, araştırmanın farklı bir yönünü temsil eder ve araştırma sürecinde farklı rollere sahiptir.

1. Bağımsız Değişken (Independent Variable)

Bağımsız değişken, araştırmada manipüle edilen veya kontrol edilen ve diğer değişkenler üzerindeki etkisi incelenen değişkendir. Bağımsız değişken, araştırmacının müdahalesiyle değişir ve bağımlı değişken üzerinde bir etki yaratması beklenir.

  • Örnek: Bir eğitim programının etkisini inceleyen bir araştırmada, eğitim programının varlığı veya yokluğu bağımsız değişken olarak kabul edilir.

2. Bağımlı Değişken (Dependent Variable)

Bağımlı değişken, bağımsız değişkenin etkisi altında olan ve ölçülen sonuç değişkenidir. Bağımlı değişken, araştırmanın sonucunu temsil eder ve bağımsız değişkenin manipülasyonlarına bağlı olarak değişir.

  • Örnek: Yukarıdaki eğitim programı örneğinde, öğrencilerin sınav skorları bağımlı değişken olarak kabul edilir, çünkü bu skorlar eğitim programının etkisi altında incelenir.

3. Kontrol Değişkenleri (Control Variables)

Kontrol değişkenleri, araştırmanın sonucunu etkileyebilecek ve sabit tutulması gereken değişkenlerdir. Kontrol değişkenleri, bağımsız değişkenin etkisini net bir şekilde gözlemleyebilmek için sabit tutulur.

  • Örnek: Eğitim programı araştırmasında, öğrencilerin yaşları, cinsiyetleri ve önceki eğitim seviyeleri kontrol değişkenleri olarak tutulabilir, böylece bu faktörlerin sonuçlar üzerindeki etkisi minimize edilir.

4. Ara Değişkenler (Intervening Variables)

Ara değişkenler, bağımsız ve bağımlı değişkenler arasında yer alan ve bu ikisi arasındaki ilişkiyi etkileyen değişkenlerdir. Ara değişkenler, bağımsız değişkenin bağımlı değişken üzerindeki etkisini açıklamada önemli olabilir.

  • Örnek: Bir eğitim programının öğrencilerin motivasyonu üzerindeki etkisini incelerken, motivasyonun akademik başarı üzerindeki etkisi ara değişken olarak kabul edilebilir.

5. Ölçme Değişkenleri (Moderating Variables)

Ölçme değişkenleri, bağımsız değişkenin bağımlı değişken üzerindeki etkisini değiştiren değişkenlerdir. Ölçme değişkenleri, bağımsız ve bağımlı değişkenler arasındaki ilişkiyi güçlendirebilir veya zayıflatabilir.

  • Örnek: Yukarıdaki eğitim programı örneğinde, öğrencilerin öğrenme stilleri (örneğin, görsel, işitsel, kinestetik) ölçme değişkeni olabilir ve eğitim programının etkinliğini değiştirebilir.

Değişkenlerin Operasyonel Tanımlanması

Değişkenlerin operasyonel tanımlanması, bu değişkenlerin nasıl ölçüleceğinin ve gözlemleneceğinin belirlenmesini içerir. Bu, araştırmanın geçerliliği ve güvenilirliği açısından kritik öneme sahiptir. Operasyonel tanımlar, soyut kavramların somut ölçüm birimlerine dönüştürülmesini sağlar.

  • Örnek: Öğrencilerin akademik başarısı, sınav puanları ile ölçülebilir. Motivasyon ise, anketlerle veya belirli davranışlar (örneğin, ders çalışma saatleri) aracılığıyla ölçülebilir.

Değişkenlerin Seçimi ve Kullanımı

Değişkenlerin doğru seçimi ve kullanımı, araştırmanın doğruluğunu ve geçerliliğini etkiler. İşte değişkenlerle ilgili dikkat edilmesi gereken bazı noktalar:

  1. Uygunluk: Seçilen değişkenler, araştırma sorusu ve hipotez ile doğrudan ilgili olmalıdır.
  2. Ölçülebilirlik: Değişkenlerin ölçülebilir olması gerekir. Somut ve nesnel ölçüm yöntemleri tercih edilmelidir.
  3. Kontrol: Kontrol değişkenlerinin belirlenmesi ve sabit tutulması, bağımsız değişkenin etkisinin net bir şekilde gözlemlenmesini sağlar.
  4. Geçerlilik ve Güvenilirlik: Değişkenlerin ölçüm yöntemleri geçerli ve güvenilir olmalıdır. Bu, araştırmanın sonuçlarının doğruluğunu artırır.

Sonuç

Değişkenler, araştırma sürecinin temel bileşenleridir ve araştırmanın metodolojik yapısını belirler. Bağımsız, bağımlı, kontrol, ara ve ölçme değişkenlerinin doğru tanımlanması ve kullanımı, araştırmanın başarıya ulaşması için kritik öneme sahiptir. Değişkenlerin operasyonel tanımları ve ölçüm yöntemleri dikkatle planlanmalı ve uygulanmalıdır. Bu şekilde, araştırmanın geçerliliği ve güvenilirliği sağlanabilir ve elde edilen bulguların bilimsel değeri artırılabilir.

3.4 IV. Ekonomik Model

3.4 IV. Ekonomik Model

Ekonomik model, gerçek dünyadaki ekonomik olayları, ilişkileri ve süreçleri basitleştirerek temsil eden teorik bir yapıdır. Ekonomik modeller, ekonominin çeşitli unsurlarının nasıl etkileşimde bulunduğunu anlamak, tahminlerde bulunmak ve politika önerileri geliştirmek için kullanılır. Bu bölümde, ekonomik model kavramı, türleri ve bir ekonomik modelin oluşturulması adımları üzerinde durulacaktır.

Ekonomik Modellerin Türleri

Ekonomik modeller genellikle iki ana kategoride sınıflandırılır: teorik modeller ve ampirik modeller.

1. Teorik Modeller

Teorik modeller, ekonomik olayların ve ilişkilerin soyut bir şekilde temsil edildiği modellerdir. Bu modeller, genellikle matematiksel denklemler veya grafiksel gösterimler kullanılarak oluşturulur. Teorik modeller, ekonomi teorilerinin test edilmesine ve ekonomik ilkelerin anlaşılmasına yardımcı olur.

  • Örnek: Arz ve talep modeli, tüketici davranış modelleri, üretim fonksiyonları.

2. Ampirik Modeller

Ampirik modeller, gerçek dünyadan toplanan veri setlerini kullanarak oluşturulan ve bu veriler üzerinde test edilen modellerdir. Ampirik modeller, ekonomik teorilerin gerçek dünya ile ne kadar uyumlu olduğunu değerlendirmek için kullanılır.

  • Örnek: Regresyon analizleri, zaman serisi analizleri, panel veri analizleri.

Ekonomik Model Oluşturma Adımları

Bir ekonomik model oluşturma süreci, dikkatli ve sistematik bir şekilde izlenmesi gereken bir dizi adımdan oluşur:

1. Araştırma Sorusu ve Amaç Belirleme

  • Ekonomik modelin neyi inceleyeceği ve hangi sorulara cevap arayacağı belirlenir.
  • Araştırma sorusu açık ve spesifik olmalıdır.

2. Teorik Çerçeve ve Hipotez Geliştirme

  • Modelin temel aldığı teorik çerçeve ve ilgili ekonomik teoriler belirlenir.
  • Bu çerçeveye dayanarak test edilecek hipotezler oluşturulur.

3. Değişkenlerin Belirlenmesi

  • Bağımsız, bağımlı ve kontrol değişkenleri belirlenir.
  • Değişkenlerin operasyonel tanımları yapılır ve nasıl ölçülecekleri belirlenir.

4. Veri Toplama ve Hazırlama

  • Modelde kullanılacak verilerin kaynağı belirlenir ve veri toplama süreci başlatılır.
  • Veriler toplanıp, temizlenip, analiz için hazır hale getirilir.

5. Modelin Kurulması

  • Seçilen teorik çerçeveye uygun matematiksel veya istatistiksel model kurulur.
  • Model, bağımsız değişkenlerin bağımlı değişken üzerindeki etkisini inceleyecek şekilde yapılandırılır.

6. Modelin Test Edilmesi ve Analizi

  • Kurulan model, toplanan veriler kullanılarak test edilir.
  • İstatistiksel yöntemler (örneğin, regresyon analizi) kullanılarak modelin geçerliliği ve güvenilirliği değerlendirilir.

7. Sonuçların Yorumlanması ve Politikalar

  • Model sonuçları yorumlanır ve araştırma sorusuna yönelik bulgular ortaya konur.
  • Sonuçlar ışığında ekonomik politikalar ve öneriler geliştirilir.

Ekonomik Model Örneği: Arz ve Talep Modeli

Arz ve talep modeli, pazar ekonomisinde fiyatların ve miktarların nasıl belirlendiğini açıklayan temel bir ekonomik modeldir. Bu model, fiyatların, arz ve talep arasındaki denge ile belirlendiğini varsayar.

  • Bağımsız Değişkenler: Fiyat, gelir düzeyi, üretim maliyetleri.
  • Bağımlı Değişkenler: Talep edilen miktar, arz edilen miktar.

Modelin Kurulması:

  1. Talep Denklemi: \(Q_d = f(P, Y)\)
    • \(Q_d\): Talep edilen miktar
    • \(P\): Fiyat
    • \(Y\): Gelir düzeyi
  2. Arz Denklemi: \(Q_s = g(P, C)\)
    • \(Q_s\): Arz edilen miktar
    • \(P\): Fiyat
    • \(C\): Üretim maliyetleri

Denklemlerin Çözülmesi:

  • Denge durumu, talep edilen miktarın arz edilen miktara eşit olduğu noktada gerçekleşir: \(Q_d = Q_s\)
  • Bu denge durumu, denge fiyatı (\(P^*\)) ve denge miktarını (\(Q^*\)) belirler.

Ekonomik Modelin Kullanımı ve Önemi

Ekonomik modeller, çeşitli amaçlarla kullanılır: - Tahmin Yapma: Ekonomik değişkenlerin gelecekteki değerlerini tahmin etmek. - Politika Analizi: Ekonomik politikaların etkilerini değerlendirmek. - Karar Destek: İşletmelerin ve hükümetlerin stratejik kararlar almasına yardımcı olmak.

Sonuç

Ekonomik modeller, karmaşık ekonomik sistemleri anlamak ve analiz etmek için kritik araçlardır. Modelleme süreci, dikkatli bir şekilde planlanmalı ve yürütülmelidir. Değişkenlerin doğru seçimi, verilerin uygun şekilde toplanması ve modelin doğru bir şekilde test edilmesi, ekonomik analizlerin geçerliliğini ve güvenilirliğini artırır. Bu şekilde, ekonomik modeller, gerçek dünyadaki ekonomik olayları ve politikaları anlamak ve yönetmek için güçlü bir temel sağlar.

3.5 5. Ar-Ge ve Yatırım Artışı

3.5 Ar-Ge ve Yatırım Artışı

Araştırma ve Geliştirme (Ar-Ge), bir işletmenin yenilikçi ürünler, hizmetler ve süreçler geliştirmesi için yürüttüğü sistematik çalışmaları ifade eder. Yatırım artışı ise, bu yenilikçi çabaların desteklenmesi için yapılan finansal kaynak tahsisidir. Ar-Ge ve yatırım artışı, işletmelerin rekabet avantajı elde etmesinde ve sürdürülebilir büyümeyi sağlamasında kritik bir rol oynar. Bu bölümde, Ar-Ge ve yatırım artışının önemi, etkileri ve stratejileri ele alınacaktır.

Ar-Ge’nin Önemi ve Yatırım Artışının Gerekliliği

1. Rekabet Avantajı

  • Yenilikçilik: Ar-Ge, işletmelerin pazarda benzersiz ürün ve hizmetler sunmasını sağlar. Yenilikçi ürünler, müşteri ihtiyaçlarını karşılayarak ve rakiplerden ayrışarak rekabet avantajı sağlar.
  • Teknolojik Liderlik: Ar-Ge yatırımları, işletmelerin yeni teknolojiler geliştirmesini ve benimsemesini sağlar. Bu da teknolojik liderlik ve pazar payı artışı getirir.

2. Verimlilik ve Maliyet Azaltma

  • Verimlilik Artışı: Ar-Ge, üretim süreçlerinin ve iş akışlarının iyileştirilmesine katkıda bulunarak verimliliği artırır.
  • Maliyet Azaltma: Yeni ve daha etkili üretim teknikleri geliştirilerek maliyetler düşürülebilir.

3. Pazar Genişlemesi ve Yeni Fırsatlar

  • Yeni Pazarlar: Ar-Ge faaliyetleri, işletmelerin yeni pazar segmentlerine girmesini sağlar. Özellikle küresel pazarlarda rekabet edebilmek için yenilikçi ürünler önemlidir.
  • Fırsatlar ve Trendler: Ar-Ge, işletmelerin sektördeki yeni fırsatları ve trendleri yakalamasına yardımcı olur.

Ar-Ge ve Yatırım Artışının Ekonomik Etkileri

1. İstihdam Artışı

  • Nitelikli İş Gücü: Ar-Ge faaliyetleri, nitelikli iş gücü talebini artırır. Bilim insanları, mühendisler ve uzmanlar gibi nitelikli personel için istihdam olanakları yaratır.
  • Dolaylı İstihdam: Ar-Ge yatırımları, tedarik zinciri ve ilgili sektörlerde dolaylı olarak istihdam yaratır.

2. Ekonomik Büyüme

  • Katma Değer: Ar-Ge yatırımları, yüksek katma değerli ürün ve hizmetlerin geliştirilmesine katkıda bulunur.
  • Girişimcilik ve Yenilikçilik: Ar-Ge, yeni girişimlerin ve yenilikçi iş modellerinin ortaya çıkmasına olanak tanır. Bu da genel ekonomik büyümeyi destekler.

Ar-Ge ve Yatırım Stratejileri

1. Yatırım Planlaması ve Yönetimi

  • Stratejik Planlama: Ar-Ge yatırımlarının stratejik bir şekilde planlanması ve yönetilmesi gereklidir. Bu, uzun vadeli hedeflerin belirlenmesi ve kaynakların etkili bir şekilde kullanılması anlamına gelir.
  • Kaynak Tahsisi: Ar-Ge projeleri için yeterli finansal ve insan kaynağının ayrılması önemlidir. Proje bazında maliyet ve fayda analizleri yapılmalıdır.

2. İşbirlikleri ve Ortaklıklar

  • Akademi-Sanayi İşbirlikleri: Üniversiteler ve araştırma kurumları ile işbirlikleri, Ar-Ge faaliyetlerinin başarısını artırabilir. Bu işbirlikleri, bilgi transferi ve ortak projeler yoluyla yenilikçiliği teşvik eder.
  • Kamu-Özel Sektör İşbirlikleri: Devlet destekli Ar-Ge programları ve teşvikleri, özel sektörün Ar-Ge yatırımlarını artırmasına yardımcı olabilir.

3. Teknolojik İzleme ve Uyum

  • Teknolojik Gelişmeleri İzleme: İşletmelerin sektördeki teknolojik gelişmeleri sürekli olarak takip etmesi ve bu gelişmelere uyum sağlaması gereklidir.
  • Uyum ve Adaptasyon: Yeni teknolojilerin hızlı bir şekilde benimsenmesi ve iş süreçlerine entegre edilmesi önemlidir.

Ar-Ge ve Yatırım Artışının Karşılaştığı Zorluklar

1. Maliyet ve Riskler

  • Yüksek Maliyetler: Ar-Ge faaliyetleri genellikle yüksek maliyetlidir ve bu maliyetlerin geri dönüşü zaman alabilir.
  • Riskler: Ar-Ge projeleri, belirsizlik ve başarısızlık riski taşır. Bu nedenle, risk yönetimi stratejileri geliştirilmelidir.

2. Regülasyonlar ve Yasal Engeller

  • Patent ve Fikri Mülkiyet Hakları: Ar-Ge sonuçlarının korunması ve patentlenmesi, yasal süreçleri gerektirir. Fikri mülkiyet haklarının korunması, yenilikçiliği teşvik ederken aynı zamanda yasal engeller oluşturabilir.
  • Regülasyonlar: Yeni ürün ve teknolojilerin piyasaya sürülmesi, düzenleyici kurumlar tarafından belirlenen standartlara ve regülasyonlara uyum sağlamayı gerektirir.

Sonuç

Ar-Ge ve yatırım artışı, işletmelerin rekabet avantajı elde etmesinde ve sürdürülebilir büyümeyi sağlamasında hayati bir rol oynar. Stratejik planlama, işbirlikleri ve risk yönetimi gibi unsurlar, Ar-Ge faaliyetlerinin başarısını artırır. Ekonomik büyüme, istihdam artışı ve yeni pazar fırsatları gibi olumlu etkiler, Ar-Ge ve yatırım artışının ekonomiye katkısını vurgular. İşletmelerin bu süreçleri etkin bir şekilde yönetmesi, uzun vadeli başarı ve inovasyon için kritik öneme sahiptir.

library(WDI)   # Dünya Kalkınma Endeksi verilerini çekmek için

WDI paketi, Dünya Kalkınma Göstergeleri (World Development Indicators) verilerini çekmek ve analiz etmek için kullanılan bir R paketidir. Bu paket, Dünya Bankası’nın geniş veri setlerine erişim sağlar ve ekonomik, sosyal, çevresel göstergeler gibi çeşitli alanlarda veri sunar. Aşağıda WDI paketinin nasıl yükleneceği ve kullanılacağı ile ilgili temel bilgiler yer almaktadır:

library(dplyr) # Veri işleme işlemleri için
## 
## Attachement du package : 'dplyr'
## Les objets suivants sont masqués depuis 'package:stats':
## 
##     filter, lag
## Les objets suivants sont masqués depuis 'package:base':
## 
##     intersect, setdiff, setequal, union

dplyr paketi, R’da veri manipülasyonunu daha etkili ve kullanıcı dostu hale getirir. Temel fonksiyonlar ve zincirleme operatörü (%>%) ile veri işleme süreçlerini kolayca yönetebilirsiniz. Bu paket, büyük veri setleriyle çalışırken özellikle kullanışlıdır ve performansı artırır. Bu şekilde, veri analizi ve modelleme süreçlerinde daha verimli çalışabilirsiniz.

Attachement du package : ‘dplyr’

R’daki dplyr paketi, veri manipülasyonu ve işleme işlemlerini kolaylaştıran güçlü bir araçtır. Bu paket, kullanıcıların veri çerçeveleriyle daha etkin ve okunabilir bir şekilde çalışmasına olanak tanır. dplyr paketinin yüklenmesi, kullanımı ve temel fonksiyonları hakkında detaylı bilgi verelim.

Les objets suivants sont masqués depuis ‘package:stats’:

filter, lag

R dilinde dplyr paketini yüklediğinizde, bazı fonksiyon isimleri diğer paketlerdeki fonksiyon isimleriyle çakışabilir. Bu durum, özellikle temel stats paketi ile dplyr paketinde aynı isme sahip fonksiyonlar bulunduğunda ortaya çıkar. stats paketinde yer alan filter ve lag fonksiyonları, dplyr paketinde de bulunmaktadır ve dplyr paketini yüklediğinizde bu fonksiyonlar maskelenir (gizlenir).

Les objets suivants sont masqués depuis ‘package:base’:

intersect, setdiff, setequal, union

countries <- "all"
years <- 2000:2020

Bu R dilinde iki değişken oluşturuldu: countries ve years. countries değişkeni “all” olarak atanmışken, years değişkeni 2000 ile 2020 arasındaki yılları içeren bir sayı dizisi olarak tanımlanmıştır.

  • countries <- "all": Bu satırda, countries adında bir değişken oluşturulmuş ve bu değişkene “all” değeri atanmıştır. “all”, olası bir veri işleme veya analiz senaryosunda tüm ülkeleri ifade ediyor olabilir. Bu tür bir değer, veri setinin tamamının veya tüm ülkelerin verisinin işlenmesi gerektiğini ifade etmek için kullanılabilir.

  • years <- 2000:2020: Bu satırda ise years adında bir diğer değişken oluşturulmuş ve bu değişkene 2000 ile 2020 arasındaki yılları içeren bir sayı dizisi atanmıştır. 2000:2020 ifadesi, 2000’den başlayarak 2020’ye kadar olan yılları içeren bir vektör oluşturur.

Bu tür değişken atamaları genellikle veri analizi ve işleme süreçlerinde kullanılır. Örneğin, belirli bir veri kümesindeki belirli yıllar veya tüm ülkeler üzerinde işlemler yapmak için bu tür değişkenler kullanılabilir. Bu atamaları daha sonra veri işleme fonksiyonlarına veya analiz fonksiyonlarına parametre olarak ileterek, belirtilen filtrelemeler veya sınırlamalar dahilinde işlem yapabilirsiniz.

economic_growth <- "NY.GDP.MKTP.KD.ZG"

Bu R dilinde oluşturulan economic_growth değişkeni, bir ekonomik göstergeyi temsil eden bir dizedir. Daha spesifik olarak, "NY.GDP.MKTP.KD.ZG" ifadesi, ulusal gelirin reel büyüme oranını ifade eden Dünya Bankası veri kodudur.

  • "NY.GDP.MKTP.KD.ZG": Bu kod, ulusal gelirin reel büyüme oranını hesaplamak için kullanılan bir göstergeyi tanımlar. Açılımları şu şekildedir:
    • NY: New York
    • GDP: Gross Domestic Product (Gayri Safi Yurtiçi Hasıla)
    • MKTP: Market (Piyasa)
    • KD: Constant Prices (Sabit Fiyatlar)
    • ZG: Growth (Büyüme)

Bu gösterge, ekonomik büyümeyi, yani bir ülkenin gayri safi yurtiçi hasılasının (GSYİH) sabit fiyatlarla (enflasyonu dikkate almadan) ne kadar arttığını belirtir. Örneğin, NY.GDP.MKTP.KD.ZG kodu, ekonomik analizlerde veya karşılaştırmalı çalışmalarda kullanılmak üzere, Dünya Bankası veya benzeri uluslararası kuruluşlardan elde edilen veri setlerinde belirli bir ekonomik göstergenin veri setine erişmek için kullanılabilir.

Bu tür kodlamalar, ekonomik göstergelerin standart bir şekilde tanımlanmasını ve kısa ve anlaşılır bir biçimde ifade edilmesini sağlar, böylece farklı kaynaklardan gelen verilerin karşılaştırılabilirliğini artırır.

research_expenditure <- "GB.XPD.RSDV.GD.ZS"

Bu R dilinde oluşturulan research_expenditure değişkeni, ulusal olarak araştırma ve geliştirme harcamalarını ifade eden bir Dünya Bankası veri kodudur. Kodun açılımları şu şekildedir:

  • "GB.XPD.RSDV.GD.ZS"
    • GB: Ülke kodu veya bölgesel grup (örneğin, “GB” Birleşik Krallık’ı temsil edebilir).
    • XPD: Research and development expenditure (% of GDP) (Araştırma ve geliştirme harcamaları / GSYİH oranı)
    • RSDV: Research and development expenditure (Araştırma ve geliştirme harcamaları)
    • GD: Gross Domestic Product (Gayri Safi Yurtiçi Hasıla)
    • ZS: Oranı ifade eder (%)

Bu gösterge, bir ülkenin gayri safi yurtiçi hasılasına (GSYİH) oranla araştırma ve geliştirme (Ar-Ge) harcamalarının ne kadarını yaptığını gösterir. Bu oran, bir ülkenin bilim ve teknolojiye ne kadar yatırım yaptığını ve yenilikçiliği teşvik etme kabiliyetini ölçmek için kullanılır.

Örneğin, GB.XPD.RSDV.GD.ZS kodu, Birleşik Krallık’ın GSYİH’sinin bir yüzdesi olarak araştırma ve geliştirme harcamalarını ifade eder. Bu tür göstergeler, uluslararası kıyaslama yaparken ve ülkelerin bilimsel ve teknolojik ilerlemelerini değerlendirirken kullanılır.

Bu tür veri kodlamaları, uluslararası kuruluşlar tarafından toplanan verilerin standart bir şekilde ifade edilmesini sağlar ve farklı ülkelerin veya bölgelerin Ar-Ge harcamalarını karşılaştırılabilir hale getirir.

population_growth <- "SP.POP.GROW"

Bu R dilinde oluşturulan population_growth değişkeni, bir ülkenin nüfus büyüme hızını ifade eden bir Dünya Bankası veri kodudur. Kodun açılımları şu şekildedir:

  • "SP.POP.GROW"
    • SP: Uluslararası veri standardı olan “World Bank Statistics” (Dünya Bankası İstatistikleri)
    • POP: Population (Nüfus)
    • GROW: Growth (Büyüme)

Bu kod, bir ülkenin nüfusunun yıllık büyüme oranını belirtir. Nüfus büyüme hızı genellikle yıllık olarak yüzde cinsinden ifade edilir ve bir ülkenin nüfusunun yıllık olarak ne kadar arttığını veya azaldığını gösterir.

Örneğin, SP.POP.GROW kodu, bir ülkenin nüfusunun yıllık büyüme hızını belirler. Bu tür veriler, demografik analizlerde, ekonomik planlama süreçlerinde ve sosyal politika oluşturma süreçlerinde önemli bir rol oynar. Nüfus büyüme hızı, bir ülkenin ekonomik büyümesi, işgücü piyasası dinamikleri, sosyal hizmetlerin planlanması gibi birçok alanda stratejik kararların alınmasında kullanılır.

Bu tür veri kodlamaları, uluslararası kuruluşlar tarafından toplanan demografik verilerin standart bir şekilde ifade edilmesini sağlar ve farklı ülkelerin nüfus dinamiklerini karşılaştırılabilir hale getirir.

investment_ratio <- "NE.GDI.FTOT.ZS"

Bu R dilinde oluşturulan investment_ratio değişkeni, bir ülkenin milli gelirine (yani GSYİH’ye) oranla toplam brüt sabit sermaye yatırımının yüzdesini ifade eden bir Dünya Bankası veri kodudur. Kodun açılımları şu şekildedir:

  • "NE.GDI.FTOT.ZS"
    • NE: Net Errors and Omissions (Hatalar ve İhlaller Net)
    • GDI: Gross Domestic Investment (Brüt Yurtiçi Yatırım)
    • FTOT: Total (Toplam)
    • ZS: Oranı ifade eder (%)

Bu kod, bir ülkenin milli gelirine (GSYİH’ye) oranla toplam brüt sabit sermaye yatırımının yüzdesini gösterir. Brüt yatırım, bir ekonomideki tüm sabit sermaye yatırımlarını (örneğin, bina, makine, altyapı vb.) içerir. Bu oran, bir ülkenin ekonomik büyümesi, endüstriyel kapasitesi ve uzun vadeli büyüme potansiyeli hakkında bilgi verir.

Örneğin, NE.GDI.FTOT.ZS kodu, bir ülkenin milli gelirine (GSYİH’ye) oranla toplam brüt sabit sermaye yatırımının yüzdesini ifade eder. Bu tür göstergeler, ekonomik analizlerde, yatırım stratejilerinin geliştirilmesinde ve ekonomik politikaların değerlendirilmesinde kullanılır.

Bu tür veri kodlamaları, uluslararası kuruluşlar tarafından toplanan verilerin standart bir şekilde ifade edilmesini sağlar ve farklı ülkelerin yatırım aktivitelerini karşılaştırılabilir hale getirir.

technological_development <- "IP.TMK.NRES"

Bu R dilinde oluşturulan technological_development değişkeni, bir ülkenin ulusal araştırma ve teknolojiye yatırımını ifade eden bir Dünya Bankası veri kodudur. Kodun açılımları şu şekildedir:

  • "IP.TMK.NRES"
    • IP: Intellectual Property (Fikri Mülkiyet)
    • TMK: Trademarks (Markalar)
    • NRES: Non-resident (Yerleşik olmayan)

Bu kod, bir ülkenin ulusal fikri mülkiyet haklarına yapılan yatırımları temsil eder. Fikri mülkiyet hakları, yenilikçi faaliyetlerin teşvik edilmesi ve korunması açısından önemlidir. Yatırımların artması, bir ülkenin teknolojik gelişimine, yenilikçilik kapasitesine ve rekabet gücüne katkıda bulunabilir.

Örneğin, IP.TMK.NRES kodu, bir ülkenin ulusal araştırma ve teknolojiye yönelik yatırımlarını gösterir. Bu tür veriler, teknoloji ve inovasyon politikalarının değerlendirilmesinde, teknoloji transferi süreçlerinin izlenmesinde ve bilimsel gelişmelerin takibinde kullanılır.

Bu tür veri kodlamaları, uluslararası kuruluşlar tarafından toplanan verilerin standart bir şekilde ifade edilmesini sağlar ve farklı ülkelerin teknolojik gelişimlerini karşılaştırılabilir hale getirir.

real_interest_rate <- "FR.INR.RINR"

Bu R dilinde oluşturulan real_interest_rate değişkeni, bir ülkenin reel faiz oranını ifade eden bir Dünya Bankası veri kodudur. Kodun açılımları şu şekildedir:

  • "FR.INR.RINR"
    • FR: Financial Sector (Finansal Sektör)
    • INR: Interest Rate (Faiz Oranı)
    • RINR: Real Interest Rate (Reel Faiz Oranı)

Bu kod, bir ülkenin finansal sektöründe mevcut olan reel faiz oranını belirtir. Reel faiz oranı, nominal faiz oranından enflasyon oranının çıkarılmasıyla elde edilir ve birikim yapma veya yatırım yapma maliyetini gösterir. Reel faiz oranı pozitif ise, paranın değeri zaman içinde artar; negatif ise, değeri azalır.

Örneğin, FR.INR.RINR kodu, bir ülkenin finansal piyasalarında mevcut olan reel faiz oranını ifade eder. Bu tür göstergeler, ekonomik analizlerde, para politikalarının değerlendirilmesinde, tasarruf ve yatırım kararlarının alınmasında ve enflasyon yönetimi süreçlerinde önemli rol oynar.

Bu tür veri kodlamaları, uluslararası finansal kuruluşlar tarafından toplanan verilerin standart bir şekilde ifade edilmesini sağlar ve farklı ülkelerin finansal koşullarını karşılaştırılabilir hale getirir.

education_level <- "SE.ADT.LITR.ZS"

Bu R dilinde oluşturulan education_level değişkeni, bir ülkenin yetişkin nüfusunun okuryazarlık oranını ifade eden bir Dünya Bankası veri kodudur. Kodun açılımları şu şekildedir:

  • "SE.ADT.LITR.ZS"
    • SE: Social Protection and Labor (Sosyal Koruma ve İşgücü)
    • ADT: Adult (Yetişkin)
    • LITR: Literacy (Okuryazarlık)
    • ZS: Oranı ifade eder (%)

Bu kod, bir ülkenin yetişkin nüfusunun okuryazarlık oranını yüzde cinsinden ifade eder. Okuryazarlık oranı, bir ülkedeki yetişkin nüfusun belirli bir dönemde okuma ve yazma becerisine sahip olma durumunu gösterir. Yüksek okuryazarlık oranları genellikle eğitim düzeyinin yüksek olduğunu ve sosyo-ekonomik gelişmişliğin bir göstergesi olarak kabul edilir.

Örneğin, SE.ADT.LITR.ZS kodu, bir ülkenin yetişkin nüfusunun okuryazarlık oranını yüzde cinsinden ifade eder. Bu tür veriler, eğitim politikalarının değerlendirilmesinde, eğitim kaynaklarının dağıtımında, işgücü piyasasının eğitim taleplerinin analizinde ve sosyal kalkınma projelerinin planlanmasında kullanılır.

Bu tür veri kodlamaları, uluslararası kuruluşlar tarafından toplanan verilerin standart bir şekilde ifade edilmesini sağlar ve farklı ülkelerin eğitim düzeylerini karşılaştırılabilir hale getirir.

library(WDI)

Bu R kodu, WDI paketini yüklemek için kullanılır. WDI (World Development Indicators) paketi, Dünya Bankası tarafından sağlanan uluslararası kalkınma göstergelerini içeren bir R paketidir. Bu paket, dünya çapında çeşitli ekonomik, sosyal ve çevresel göstergeleri içeren geniş bir veri setine erişim sağlar.

Kullanımı: Paketi Yükleme: library(WDI) komutu, WDI paketini R ortamına yükler. Bu işlemi gerçekleştirmek için önceden R’de yüklenmiş olması gereken install.packages(“WDI”) komutu kullanılabilir.

Veri Erişimi: WDI paketi yüklendikten sonra, WDI fonksiyonlarını kullanarak Dünya Bankası’nın sağladığı veri setlerine erişebilirsiniz. Örneğin, ülke bazında GSYİH, nüfus, eğitim göstergeleri gibi çeşitli verileri çekebilir ve analiz edebilirsiniz.

Fonksiyon Kullanımı: WDI paketi genellikle WDIsearch() fonksiyonu ile başlar. Bu fonksiyon, mevcut veri setinde bulunan göstergeleri aramanıza ve belirli bir göstergeyi tanımlamanıza olanak tanır. Ardından, WDI() fonksiyonu ile belirli bir göstergeyi ve istediğiniz diğer filtreleri kullanarak veri çekebilirsiniz.

# WDI'dan verilerin alınması
wdi_data <- WDI(country = countries, indicator = c(economic_growth, research_expenditure, 
                                                   population_growth, investment_ratio, 
                                                   technological_development, real_interest_rate,
                                                   education_level),
                start = min(years), end = max(years), extra = FALSE)
## Warning in WDI(country = countries, indicator = c(economic_growth, research_expenditure, : The following indicators could not be downloaded: IP.TMK.NRES.
## 
## Please make sure that you are running the latest version of the `WDI` package, and that the arguments you are using in the `WDI()` function are valid.
## 
## Sometimes, downloads will suddenly stop working, even if nothing has changed in the R code of the WDI package. ("The same WDI package version worked yesterday!") In those cases, the problem is almost certainly related to the World Bank servers or to your internet connection.
## 
## You can check if the World Bank web API is currently serving the indicator(s) of interest by typing a URL of this form in your web browser:
## 
## https://api.worldbank.org/v2/en/country/all/indicator/IP.TMK.NRES?format=json&date=:&per_page=32500&page=1
# Veri Keşfi

# Veri setinin boyutunu kontrol etme
dim(wdi_data)
## [1] 5586   10
# Örnek gözlemleri gözlemleme
head(wdi_data)
##       country iso2c iso3c year NY.GDP.MKTP.KD.ZG GB.XPD.RSDV.GD.ZS SP.POP.GROW
## 1 Afghanistan    AF   AFG 2000                NA                NA   1.4438030
## 2 Afghanistan    AF   AFG 2001                NA                NA   0.7425168
## 3 Afghanistan    AF   AFG 2002                NA                NA   6.4493215
## 4 Afghanistan    AF   AFG 2003          8.832278                NA   7.5410190
## 5 Afghanistan    AF   AFG 2004          1.414118                NA   3.9331777
## 6 Afghanistan    AF   AFG 2005         11.229715                NA   3.5765080
##   NE.GDI.FTOT.ZS FR.INR.RINR SE.ADT.LITR.ZS
## 1             NA          NA             NA
## 2             NA          NA             NA
## 3             NA          NA             NA
## 4             NA          NA             NA
## 5             NA          NA             NA
## 6             NA          NA             NA
# Veri setinin yapısal özelliklerini inceleme
str(wdi_data)
## 'data.frame':    5586 obs. of  10 variables:
##  $ country          : chr  "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
##  $ iso2c            : chr  "AF" "AF" "AF" "AF" ...
##  $ iso3c            : chr  "AFG" "AFG" "AFG" "AFG" ...
##  $ year             : int  2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
##  $ NY.GDP.MKTP.KD.ZG: num  NA NA NA 8.83 1.41 ...
##   ..- attr(*, "label")= chr "GDP growth (annual %)"
##  $ GB.XPD.RSDV.GD.ZS: num  NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Research and development expenditure (% of GDP)"
##  $ SP.POP.GROW      : num  1.444 0.743 6.449 7.541 3.933 ...
##   ..- attr(*, "label")= chr "Population growth (annual %)"
##  $ NE.GDI.FTOT.ZS   : num  NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Gross fixed capital formation (% of GDP)"
##  $ FR.INR.RINR      : num  NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Real interest rate (%)"
##  $ SE.ADT.LITR.ZS   : num  NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Literacy rate, adult total (% of people ages 15 and above)"
# Özet istatistikleri görüntüleme
summary(wdi_data)
##    country             iso2c              iso3c                year     
##  Length:5586        Length:5586        Length:5586        Min.   :2000  
##  Class :character   Class :character   Class :character   1st Qu.:2005  
##  Mode  :character   Mode  :character   Mode  :character   Median :2010  
##                                                           Mean   :2010  
##                                                           3rd Qu.:2015  
##                                                           Max.   :2020  
##                                                                         
##  NY.GDP.MKTP.KD.ZG GB.XPD.RSDV.GD.ZS  SP.POP.GROW      NE.GDI.FTOT.ZS  
##  Min.   :-54.336   Min.   :0.0054    Min.   :-6.8521   Min.   : 1.097  
##  1st Qu.:  1.359   1st Qu.:0.3074    1st Qu.: 0.4758   1st Qu.:19.080  
##  Median :  3.562   Median :0.7278    Median : 1.2469   Median :22.385  
##  Mean   :  3.284   Mean   :1.0416    Mean   : 1.3645   Mean   :23.138  
##  3rd Qu.:  5.793   3rd Qu.:1.6065    3rd Qu.: 2.2600   3rd Qu.:26.223  
##  Max.   : 86.827   Max.   :5.7056    Max.   :19.3604   Max.   :78.001  
##  NA's   :279       NA's   :3097      NA's   :21        NA's   :1253    
##   FR.INR.RINR      SE.ADT.LITR.ZS  
##  Min.   :-81.132   Min.   : 14.38  
##  1st Qu.:  2.251   1st Qu.: 65.57  
##  Median :  5.650   Median : 83.95  
##  Mean   :  6.303   Mean   : 79.41  
##  3rd Qu.:  9.812   3rd Qu.: 94.17  
##  Max.   : 93.915   Max.   :100.00  
##  NA's   :2898      NA's   :4042
# Veri Temizleme

# Eksik değerleri kontrol etme
anyNA(wdi_data)
## [1] TRUE
# Veri Temizleme

# Eksik değerleri kontrol etme
anyNA(wdi_data)
## [1] TRUE
library(ggplot2)

Bu R kodu, ggplot2 paketini yüklemek ve R ortamında kullanılabilir hale getirmek için kullanılır. ggplot2, grafik oluşturma ve veri görselleştirme için güçlü bir pakettir ve R’de en popüler görselleştirme araçlarından biridir.

Kullanımı: Paketi Yükleme: library(ggplot2) komutu, ggplot2 paketini R ortamına yükler. Bu işlemi gerçekleştirmek için önceden R’de yüklenmiş olması gereken install.packages(“ggplot2”) komutu kullanılabilir.

Veri Görselleştirme: ggplot2 paketi, ggplot() fonksiyonu ile başlar. Bu fonksiyon, bir veri çerçevesi ve estetik (aesthetic) özellikler (x ekseni, y ekseni, renk, şekil vb.) ile birlikte kullanılır. Sonrasında, geometrik objeler (örneğin, çizgi, nokta, bar gibi) eklenir ve gerekirse diğer katmanlar (örneğin, tema ayarları, istatistiksel dönüşümler) eklenerek grafik tamamlanır.

# Ekonomik büyüme oranının zaman içindeki değişimi
ggplot(wdi_data, aes(x = year, y = `NY.GDP.MKTP.KD.ZG`)) +
  geom_line() +
  labs(x = "Yıl", y = "Ekonomik Büyüme Oranı", title = "Ekonomik Büyüme Oranının Zaman İçindeki Değişimi")
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).

# AR-GE harcamalarının ekonomik büyüme üzerindeki etkisi
ggplot(wdi_data, aes(x = `GB.XPD.RSDV.GD.ZS`, y = `NY.GDP.MKTP.KD.ZG`)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "blue") +
  labs(x = "AR-GE Harcamaları (% GDP)", y = "Ekonomik Büyüme Oranı", title = "AR-GE Harcamalarının Ekonomik Büyüme Üzerindeki Etkisi")
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 3101 rows containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 3101 rows containing missing values or values outside the scale range
## (`geom_point()`).

geom_smooth() using formula = ‘y ~ x’

# Nüfus büyüme oranının zaman içindeki değişimi
ggplot(wdi_data, aes(x = year, y = `SP.POP.GROW`)) +
  geom_line() +
  labs(x = "Yıl", y = "Nüfus Büyüme Oranı", title = "Nüfus Büyüme Oranının Zaman İçindeki Değişimi")

# Yatırım oranının ekonomik büyüme üzerindeki etkisi
ggplot(wdi_data, aes(x = `NE.GDI.FTOT.ZS`, y = `NY.GDP.MKTP.KD.ZG`)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "green") +
  labs(x = "Yatırım Oranı (% GDP)", y = "Ekonomik Büyüme Oranı", title = "Yatırım Oranının Ekonomik Büyüme Üzerindeki Etkisi")
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1275 rows containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1275 rows containing missing values or values outside the scale range
## (`geom_point()`).

## geom_smooth() using formula = ‘y ~ x’

# Reel faiz oranının zaman içindeki değişimi
ggplot(wdi_data, aes(x = year, y = `FR.INR.RINR`)) +
  geom_line() +
  labs(x = "Yıl", y = "Reel Faiz Oranı", title = "Reel Faiz Oranının Zaman İçindeki Değişimi")
## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_line()`).

# Eğitim seviyesinin zaman içindeki değişimi
ggplot(wdi_data, aes(x = year, y = `SE.ADT.LITR.ZS`)) +
  geom_line() +
  labs(x = "Yıl", y = "Eğitim Seviyesi (%)", title = "Eğitim Seviyesinin Zaman İçindeki Değişimi")
## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

# Doğrusal regresyon modelini oluştur
lm_model <- lm(NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + NE.GDI.FTOT.ZS +
                 FR.INR.RINR + SE.ADT.LITR.ZS, data = wdi_data)

# Model özetini görüntüle
summary(lm_model)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + 
##     NE.GDI.FTOT.ZS + FR.INR.RINR + SE.ADT.LITR.ZS, data = wdi_data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -14.5783  -1.6583  -0.0409   1.6367  21.3751 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)  
## (Intercept)        3.779109   2.093215   1.805   0.0722 .
## GB.XPD.RSDV.GD.ZS -0.112257   0.445040  -0.252   0.8011  
## SP.POP.GROW        0.485400   0.283683   1.711   0.0883 .
## NE.GDI.FTOT.ZS     0.037022   0.045000   0.823   0.4115  
## FR.INR.RINR       -0.008836   0.024186  -0.365   0.7152  
## SE.ADT.LITR.ZS    -0.014977   0.020724  -0.723   0.4706  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.818 on 247 degrees of freedom
##   (5333 observations effacées parce que manquantes)
## Multiple R-squared:  0.03042,    Adjusted R-squared:  0.0108 
## F-statistic:  1.55 on 5 and 247 DF,  p-value: 0.1749
library(plm)
## 
## Attachement du package : 'plm'
## Les objets suivants sont masqués depuis 'package:dplyr':
## 
##     between, lag, lead
# panel veri modelini oluştur
library(plm)

Bu R kodu, plm paketini yüklemek ve R ortamında kullanılabilir hale getirmek için kullanılır. plm (Panel Linear Models) paketi, panel veri analizi için kullanılan bir pakettir. Panel veri analizi, aynı zamanda çapraz kesit-zaman serisi veri analizi olarak da adlandırılır ve aynı bireyler, firmalar veya başka birimler üzerinde zaman içinde yapılan tekrarlı gözlemleri içeren veri setlerini ele alır.

Kullanımı: Paketi Yükleme: library(plm) komutu, plm paketini R ortamına yükler. Bu işlemi gerçekleştirmek için önceden R’de yüklenmiş olması gereken install.packages(“plm”) komutu kullanılabilir.

Panel Veri Analizi: plm paketi, panel veri modelleri için çeşitli fonksiyonlar sağlar. Örneğin, plm() fonksiyonu panel veri regresyon modelleri oluşturmak için kullanılır. plm paketi aynı zamanda panel veri yapılarını ve istatistiksel analizlerini desteklemek için diğer yardımcı fonksiyonlar sunar.

Attachement du package : ‘plm’

Les objets suivants sont masqués depuis ‘package:dplyr’:

between, lag, lead

library(plm)

# Veri setiniz ve modeliniz hakkında daha fazla bilgiye göre aşağıdaki gibi bir model oluşturabilirsiniz
plm_model <- plm(NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + NE.GDI.FTOT.ZS +
                    FR.INR.RINR + SE.ADT.LITR.ZS, data = wdi_data, model = "pooling")
## Warning in pdata.frame(data, index = index, ...): duplicate couples (id-time) in resulting pdata.frame
##  to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")
# Oluşturulan modeli gözlemleyebilirsiniz
summary(plm_model)
## Pooling Model
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + 
##     NE.GDI.FTOT.ZS + FR.INR.RINR + SE.ADT.LITR.ZS, data = wdi_data, 
##     model = "pooling")
## 
## Unbalanced Panel: n = 66, T = 1-18, N = 253
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -14.578290  -1.658317  -0.040919   1.636726  21.375133 
## 
## Coefficients:
##                     Estimate Std. Error t-value Pr(>|t|)  
## (Intercept)        3.7791091  2.0932154  1.8054  0.07223 .
## GB.XPD.RSDV.GD.ZS -0.1122575  0.4450404 -0.2522  0.80106  
## SP.POP.GROW        0.4853998  0.2836832  1.7111  0.08832 .
## NE.GDI.FTOT.ZS     0.0370219  0.0450004  0.8227  0.41147  
## FR.INR.RINR       -0.0088361  0.0241863 -0.3653  0.71517  
## SE.ADT.LITR.ZS    -0.0149773  0.0207242 -0.7227  0.47055  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    3713
## Residual Sum of Squares: 3600.1
## R-Squared:      0.030423
## Adj. R-Squared: 0.010796
## F-statistic: 1.55004 on 5 and 247 DF, p-value: 0.17495
# Veri çerçevesini panel veri çerçevesine dönüştür
panel_data <- pdata.frame(wdi_data, index = c("country", "year"))

Bu R kodu, bir veri çerçevesini panel veri çerçevesine dönüştürmek için kullanılır. Panel veri çerçeveleri, aynı birimler (örneğin ülkeler, firmalar) üzerinde zaman içinde yapılan tekrarlı gözlemleri içeren veri yapılarıdır ve panel veri analizleri için kullanılır.

Kullanımı: Paket Yükleme ve Veri Hazırlığı: İlk olarak, plm paketini yüklemeniz ve panel veri çerçevesine dönüştürmek istediğiniz veri çerçevesini hazırlamanız gerekmektedir.

# Panel veri modelini oluştur
plm_model <- plm(NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + NE.GDI.FTOT.ZS +
                    FR.INR.RINR + SE.ADT.LITR.ZS, data = panel_data, model = "pooling")

Bu R kodu, plm paketini kullanarak bir panel veri modeli oluşturmayı amaçlamaktadır. Panel veri modelleri, aynı birimler (örneğin ülkeler) üzerinde zaman serileri verilerinin analiz edilmesine olanak tanır ve bu analizler genellikle ekonometri ve sosyal bilimlerde kullanılır.

Kullanımı ve Açıklamaları: Paket ve Veri Yükleme: İlk olarak, plm paketinin yüklendiği ve panel veri çerçevesine dönüştürülmüş bir veri çerçevesinin (panel_data) kullanıldığı varsayılır. Önceki adımlarda pdata.frame() fonksiyonuyla panel_data oluşturulmuş olabilir. Bu R kodu, plm paketini kullanarak bir panel veri modeli oluşturmayı amaçlamaktadır. Panel veri modelleri, aynı birimler (örneğin ülkeler) üzerinde zaman serileri verilerinin analiz edilmesine olanak tanır ve bu analizler genellikle ekonometri ve sosyal bilimlerde kullanılır.

Kullanımı ve Açıklamaları:

  1. Paket ve Veri Yükleme: İlk olarak, plm paketinin yüklendiği ve panel veri çerçevesine dönüştürülmüş bir veri çerçevesinin (panel_data) kullanıldığı varsayılır. Önceki adımlarda pdata.frame() fonksiyonuyla panel_data oluşturulmuş olabilir.

    library(plm)

# Örneğin: panel_data, pdata.frame() ile oluşturulmuş bir panel veri çerçevesi
# Önceki adımlarda panel veri çerçevesine dönüştürme işlemi gerçekleştirilmiş olmalıdır.

  2. Panel Veri Modeli Oluşturma: Panel veri modeli oluşturmak için plm() fonksiyonu kullanılır. Aşağıdaki kod bloğu, panel veri modeli oluşturma işlemini göstermektedir:

    plm_model <- plm(NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + NE.GDI.FTOT.ZS +
                   FR.INR.RINR + SE.ADT.LITR.ZS, data = panel_data, model = "pooling")
    • NY.GDP.MKTP.KD.ZG: Bağımlı değişken olarak reel GSYİH büyüme hızı.
    • GB.XPD.RSDV.GD.ZS, SP.POP.GROW, NE.GDI.FTOT.ZS, FR.INR.RINR, SE.ADT.LITR.ZS: Bağımsız değişkenler olarak sırasıyla araştırma ve geliştirme harcamaları, nüfus büyüme hızı, toplam brüt sabit sermaye yatırımının yüzdesi, reel faiz oranı ve yetişkin nüfusun okuryazarlık oranı.
    • data = panel_data: Panel veri çerçevesi olarak kullanılacak veri seti.
    • model = "pooling": Kullanılacak panel veri modeli tipini belirtir. “pooling” seçeneği, havuzlama (pooling) modelini belirtir, yani sabit etkiler ve rastgele etkiler yerine, genel bir etkiler modeli oluşturulur.

  3. Model Sonuçlarını Gözden Geçirme: plm() fonksiyonu, belirtilen bağımlı ve bağımsız değişkenler için panel veri modelini tahmin eder ve plm_model nesnesine bu modelin sonuçlarını atar. Modelin sonuçlarını incelemek için summary(plm_model) gibi fonksiyonlar kullanılabilir.

Panel veri modelleri, veri setinizdeki birimler arasındaki farklılıkları ve zaman içindeki değişimleri dikkate alarak daha doğru ve güvenilir sonuçlar sağlar. plm paketi, panel veri analizleri için birçok seçenek sunar ve farklı panel veri modelleri (havuzlama, sabit etkiler, rastgele etkiler gibi) oluşturmanıza olanak tanır.

# Model özetini görüntüle
summary(plm_model)
## Pooling Model
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + 
##     NE.GDI.FTOT.ZS + FR.INR.RINR + SE.ADT.LITR.ZS, data = panel_data, 
##     model = "pooling")
## 
## Unbalanced Panel: n = 66, T = 1-18, N = 253
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -14.578290  -1.658317  -0.040919   1.636726  21.375133 
## 
## Coefficients:
##                     Estimate Std. Error t-value Pr(>|t|)  
## (Intercept)        3.7791091  2.0932154  1.8054  0.07223 .
## GB.XPD.RSDV.GD.ZS -0.1122575  0.4450404 -0.2522  0.80106  
## SP.POP.GROW        0.4853998  0.2836832  1.7111  0.08832 .
## NE.GDI.FTOT.ZS     0.0370219  0.0450004  0.8227  0.41147  
## FR.INR.RINR       -0.0088361  0.0241863 -0.3653  0.71517  
## SE.ADT.LITR.ZS    -0.0149773  0.0207242 -0.7227  0.47055  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    3713
## Residual Sum of Squares: 3600.1
## R-Squared:      0.030423
## Adj. R-Squared: 0.010796
## F-statistic: 1.55004 on 5 and 247 DF, p-value: 0.17495
# Etkileşim terimleri oluşturma
wdi_data$interaction_term1 <- wdi_data$GB.XPD.RSDV.GD.ZS * wdi_data$NE.GDI.FTOT.ZS
wdi_data$interaction_term2 <- wdi_data$SP.POP.GROW * wdi_data$SE.ADT.LITR.ZS

Bu R kodu, etkileşim terimleri (interaction terms) oluşturmayı amaçlamaktadır. Etkileşim terimleri, bir regresyon modelinde iki veya daha fazla bağımsız değişkenin birlikte etkileşimini ifade eder. Etkileşim terimleri, modeldeki değişkenler arasındaki ilişkileri yakalamak için kullanılır ve modelin açıklama gücünü artırabilir. Bu R kodu, etkileşim terimleri (interaction terms) oluşturmayı amaçlamaktadır. Etkileşim terimleri, bir regresyon modelinde iki veya daha fazla bağımsız değişkenin birlikte etkileşimini ifade eder. Etkileşim terimleri, modeldeki değişkenler arasındaki ilişkileri yakalamak için kullanılır ve modelin açıklama gücünü artırabilir.

Kod Açıklamaları:

  1. Etkileşim Terimi 1 Oluşturma:

    wdi_data$interaction_term1 <- wdi_data$GB.XPD.RSDV.GD.ZS * wdi_data$NE.GDI.FTOT.ZS
    • wdi_data$GB.XPD.RSDV.GD.ZS: İlk etkileşim terimi için birinci bağımsız değişken.
    • wdi_data$NE.GDI.FTOT.ZS: İlk etkileşim terimi için ikinci bağımsız değişken.
    • interaction_term1: İlk etkileşim terimi olarak adlandırılan yeni bir değişken oluşturulur. Bu değişken, GB.XPD.RSDV.GD.ZS ve NE.GDI.FTOT.ZS değişkenlerinin çarpımını içerir.

    Örneğin, GB.XPD.RSDV.GD.ZS araştırma ve geliştirme harcamalarını, NE.GDI.FTOT.ZS ise toplam brüt sabit sermaye yatırımlarının yüzdesini temsil edebilir. Bu etkileşim terimi, bu iki değişken arasındaki etkileşimi modellemeye çalışabilir.

  2. Etkileşim Terimi 2 Oluşturma:

    wdi_data$interaction_term2 <- wdi_data$SP.POP.GROW * wdi_data$SE.ADT.LITR.ZS
    • wdi_data$SP.POP.GROW: İkinci etkileşim terimi için birinci bağımsız değişken.
    • wdi_data$SE.ADT.LITR.ZS: İkinci etkileşim terimi için ikinci bağımsız değişken.
    • interaction_term2: İkinci etkileşim terimi olarak adlandırılan yeni bir değişken oluşturulur. Bu değişken, SP.POP.GROW ve SE.ADT.LITR.ZS değişkenlerinin çarpımını içerir.

    Örneğin, SP.POP.GROW nüfus büyüme oranını, SE.ADT.LITR.ZS ise yetişkin nüfusun okuryazarlık oranını temsil edebilir. Bu etkileşim terimi, nüfusun artış hızı ile okuryazarlık oranı arasındaki etkileşimi modellemeye çalışabilir.

Etkileşim Terimlerinin Kullanımı:

  • Etkileşim terimleri, regresyon modellerinde kullanılarak değişkenler arasındaki karmaşık ilişkileri yakalamak için önemli bir araçtır.
  • Bu terimler, değişkenlerin tek başına açıklama gücünün ötesine geçerek modelin tahmin gücünü ve doğruluğunu artırabilir.
  • Etkileşim terimlerinin etkisi genellikle bağımsız değişkenlerin katsayılarının çarpımı şeklinde ifade edilir ve bu terimler genellikle modelde anlamlı değişkenler olarak kabul edilir.

Etkileşim terimleri oluştururken, kullanılan değişkenlerin mantıklı ve teorik bir temele dayandığından emin olmak önemlidir. Ayrıca, oluşturulan etkileşim terimlerinin modelinize nasıl etki ettiğini anlamak için model sonuçlarını incelemek ve yorumlamak gereklidir.

# Etkileşim terimlerini içeren güncellenmiş model
lm_model_interaction <- lm(NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + 
                              NE.GDI.FTOT.ZS + FR.INR.RINR + SE.ADT.LITR.ZS + 
                              interaction_term1 + interaction_term2,
                            data = wdi_data)

Bu R kodu, etkileşim terimlerini içeren bir doğrusal regresyon modeli oluşturmayı amaçlamaktadır. Etkileşim terimleri, modeldeki bağımsız değişkenlerin birlikte etkileşimini ifade eder ve genellikle modelin açıklama gücünü artırmak için kullanılır. Bu R kodu, etkileşim terimlerini içeren bir doğrusal regresyon modeli oluşturmayı amaçlamaktadır. Etkileşim terimleri, modeldeki bağımsız değişkenlerin birlikte etkileşimini ifade eder ve genellikle modelin açıklama gücünü artırmak için kullanılır.

Kod Açıklamaları:

  1. Model Oluşturma:

    lm_model_interaction <- lm(NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + 
                             NE.GDI.FTOT.ZS + FR.INR.RINR + SE.ADT.LITR.ZS + 
                             interaction_term1 + interaction_term2,
                           data = wdi_data)
    • NY.GDP.MKTP.KD.ZG: Bağımlı değişken olarak reel GSYİH büyüme hızı.
    • GB.XPD.RSDV.GD.ZS, SP.POP.GROW, NE.GDI.FTOT.ZS, FR.INR.RINR, SE.ADT.LITR.ZS: Bağımsız değişkenler olarak sırasıyla araştırma ve geliştirme harcamaları, nüfus büyüme hızı, toplam brüt sabit sermaye yatırımının yüzdesi, reel faiz oranı ve yetişkin nüfusun okuryazarlık oranı.
    • interaction_term1, interaction_term2: Önceden oluşturulan etkileşim terimleri.

  2. lm() Fonksiyonu: lm() fonksiyonu, doğrusal regresyon modelleri oluşturmak için kullanılır. Bu fonksiyon, belirtilen bağımlı ve bağımsız değişkenler arasındaki ilişkiyi inceleyen temel bir araçtır.

  3. Model Sonuçlarını Gözden Geçirme: Model oluşturulduktan sonra, summary(lm_model_interaction) gibi fonksiyonlar kullanılarak modelin istatistiksel anlamlılığı, katsayıları, R-kare değeri gibi çeşitli istatistiksel ölçümler gözden geçirilebilir.

Etkileşim Terimlerinin Kullanımı:

  • Etkileşim terimleri, modeldeki değişkenler arasındaki karmaşık ilişkileri yakalamak ve bu ilişkileri modellemek için kullanılır.
  • Oluşturulan etkileşim terimleri, temel bağımsız değişkenlerin tek başına açıklama gücünü aşan ek bilgi sağlayabilir.
  • Etkileşim terimlerinin etkisi genellikle bağımsız değişkenlerin katsayılarının çarpımı olarak ifade edilir ve bu terimler genellikle modelde anlamlı değişkenler olarak kabul edilir.

Doğrusal regresyon modelleri, veri setinizdeki değişkenler arasındaki ilişkileri anlamak ve tahmin yapmak için yaygın olarak kullanılan bir yöntemdir. Etkileşim terimleri, özellikle karmaşık ilişkilerin modellemesi gereken durumlarda, modelinizin doğruluğunu artırabilir ve daha detaylı bir analiz sağlayabilir.

# Modelin kontrolü
summary(lm_model_interaction)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ GB.XPD.RSDV.GD.ZS + SP.POP.GROW + 
##     NE.GDI.FTOT.ZS + FR.INR.RINR + SE.ADT.LITR.ZS + interaction_term1 + 
##     interaction_term2, data = wdi_data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -14.863  -1.648  -0.070   1.844  21.201 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)  
## (Intercept)        3.17864    5.48161   0.580   0.5625  
## GB.XPD.RSDV.GD.ZS -4.34025    1.87824  -2.311   0.0217 *
## SP.POP.GROW        1.40731    1.94944   0.722   0.4710  
## NE.GDI.FTOT.ZS    -0.04765    0.05815  -0.819   0.4134  
## FR.INR.RINR        0.00406    0.02460   0.165   0.8691  
## SE.ADT.LITR.ZS     0.01401    0.05543   0.253   0.8007  
## interaction_term1  0.15727    0.06797   2.314   0.0215 *
## interaction_term2 -0.01044    0.02020  -0.517   0.6058  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.789 on 245 degrees of freedom
##   (5333 observations effacées parce que manquantes)
## Multiple R-squared:  0.05254,    Adjusted R-squared:  0.02547 
## F-statistic: 1.941 on 7 and 245 DF,  p-value: 0.06389
plot(lm_model)

Sonuç

Teknolojik yeniliklerin ekonomik büyüme üzerindeki etkisi karmaşık ve çok yönlüdür. Yeniliklerin etkilerini anlamak ve politika yapıcılar için uygun stratejiler geliştirmek, ekonomik büyümeyi sürdürülebilir ve kapsayıcı bir şekilde teşvik etmek için önemlidir. Bu nedenle, teknolojik yeniliklerin ekonomik büyüme üzerindeki etkilerini daha derinlemesine inceleyen çalışmalar ve politika analizleri önem arz etmektedir.

Kaynaklar

Akbaş, O. ve Özdemir, S. M. (2002), “Avrupa Birliğinde Yaşam Boyu Öğrenme,” Milli Eğitim Dergisi, 155-156, 1-12. Amato, J. A. (2013). Plastic: A Toxic Love Story. By Susan Freinkel (Boston: Houghton Mifflin Harcourt, 2011. 324 pp.), Journal of Social History, 46(3): 811–814. https://doi.org/10.1093/jsh/shs055 Birleşik Krallık Hükümeti (2020). Policy paper Carrier bags: why there’s a charge. https://www.gov.uk/ government/publications/single-use-plastic-carrier-bagswhy-were-introducing-the-charge/carrierbags-why-theres-a-5p-charge, (Erişim Tarihi: 14.11.2023). EURONEWS (2022). BM’den Plastik Kirliliğine Karşı İddialı Adım. https://tr.euronews.com/2022/03/03/bm-den-plastik-kirliligine-kars-iddial-ad-muluslararas-sozlesme-2024-te-imzaya-ac-lacak (Erişim Tarihi: 19.09.2023). Bouwmeester, H. P., Hollman, C., & Peters, R. J. (2015). Potential health impacts of environmental released micro- and nanoplastics in the human food chain production chain: experiences from nanotoxicity. Environmental Science & Technology, 49(15), 8932-8947. Brandsch, J., & Piringer, O. (2008). Characteristics of plastic materials. In: Plastic packaging. Wiley-VCH Verlag GmbH & Co. KGaA, Weinheim, 15–61. doi: 10.1002/9783527621422.ch2 Briggs, H. (2022). Plastik krizinin çözümü için umut doğdu. BBC. https://www.bbc.com/turkce/haberler-dunya-60599536 (Erişim Tarihi: 21.10.2023). Bruvoll, A., & Medin, H. (2003). Factors behind the Environmental Kuznets Curve a Decomposition of the Changes in Air Pollution. Environmental and Resource Economics, 24, 27–48. Carbery, M., O’Connor, W., & Palanisami, T. (2018). Trophic transfer of microplastics and mixed contaminants in the marine food web and implications for human health. Environment International, 119, 400-409. Coimbra, F. (2020). The triple planetary crisis: Forging a new relationship between people and the earth. https://www.unep.org/news-and-stories/speech/tripleplanetary-crisis-forging-new-relationship-between-people-andearth?gad_source=1&gclid=CjwKCAiA9ourBhAVEiwA3L5RFr9AVq7eMbgU w-thYBAMIbIti3qnigbw6K37031DJu7uRKAS-b9kPxoCB_gQAvD_BwE (Erişim Tarihi: 24.02.2023).