ödev

Dünya Bankası Göstergelerinin Analizi (World Development Indicators)

1. Veri Hazırlama

Bu çalışmada kullanılan veriler, Dünya Bankası tarafından sunulan World Development Indicators (WDI) veri tabanından elde edilmiştir. WDI veri tabanı, çok sayıda ülke için yıllık ve karşılaştırılabilir zaman serileri sunarak ekonomik ve enerji altyapısına ilişkin analizlerin yapılmasına olanak sağlamaktadır.

Bu proje kapsamında, veri sürekliliği yüksek, ülkeler arası karşılaştırmaya uygun ve akademik çalışmalarda yaygın olarak kullanılan üç gösterge seçilmiştir:

• EG.ELC.ACCS.ZS: Elektriğe erişim (% nüfus). Bu gösterge, bir ülkede nüfusun ne kadarının elektrik altyapısına erişimi olduğunu ölçmekte ve kalkınma düzeyinin temel göstergelerinden biri olarak kabul edilmektedir.

• EG.USE.ELEC.KH.PC: Kişi başına elektrik tüketimi (kWh). Bu değişken, ülkelerin enerji kullanım yoğunluğunu yansıtarak yaşam standartları ve üretim kapasitesi hakkında bilgi sunmaktadır.

• NY.GDP.PCAP.KD: Kişi başına Gayrisafi Yurtiçi Hasıla (sabit ABD doları). Ekonomik kalkınma düzeyini temsil eden temel bir makroekonomik göstergedir.

Veriler, 2000, 2005, 2010, 2015, 2020 ve 2023 yılları için ayrı ayrı oluşturulan veri setleri (df_2000, df_2005, vb.) kullanılarak analiz edilmiştir. Eksik gözlemler analiz öncesinde veri setlerinden çıkarılarak istatistiksel tutarlılık sağlanmıştır.

2. Tanımlayıcı İstatistikler

Tanımlayıcı istatistikler, değişkenlerin temel özelliklerini özetlemek amacıyla kullanılmıştır. Elektriğe erişim oranlarının ülkeler arasında önemli farklılıklar gösterdiği, yüksek gelirli ülkelerde bu oranın genellikle %100’e yakın olduğu gözlemlenmiştir.

Kişi başına elektrik tüketimi ve kişi başına GSYH değişkenleri, ülkeler arasındaki ekonomik ve yapısal farklılıkları açık bir şekilde yansıtmaktadır. Özellikle düşük ve orta gelirli ülkelerde bu göstergelerin daha heterojen bir dağılım sergilediği görülmektedir.

3. Grafiksel Analiz

Grafiksel analizler, değişkenler arasındaki ilişkileri görsel olarak incelemek amacıyla gerçekleştirilmiştir. Elektriğe erişim ile kişi başına GSYH arasındaki saçılım grafikleri, genel olarak pozitif bir ilişkiye işaret etmektedir.

Benzer şekilde, kişi başına elektrik tüketimi ile kişi başına GSYH arasındaki grafikler, ekonomik kalkınma düzeyi arttıkça enerji kullanımının da yükseldiğini göstermektedir. Bu görsel bulgular, regresyon analizleri için ön bilgi sağlamaktadır.

4. Regresyon Analizi

4.1 Elektrik Erişimi Modelleri

Bu bölümde, elektriğe erişim oranı (EG.ELC.ACCS.ZS) ile ekonomik kalkınma düzeyi (NY.GDP.PCAP.KD) arasındaki ilişki basit doğrusal regresyon modelleri kullanılarak incelenmiştir.

Elde edilen sonuçlar, kişi başına gelir arttıkça elektriğe erişim oranının da arttığını göstermektedir. Bu bulgu, enerji altyapısının ekonomik kalkınmanın temel bileşenlerinden biri olduğunu desteklemektedir.

4.2 Enerji Kullanımı Modelleri

Bu bölümde, kişi başına elektrik tüketimi (EG.USE.ELEC.KH.PC) ekonomik faaliyetlerin enerji yoğunluğunu temsil eden bir gösterge olarak ele alınmıştır.

Regresyon sonuçları, kişi başına GSYH ile elektrik tüketimi arasında güçlü ve pozitif bir ilişki olduğunu ortaya koymaktadır. Bu durum, ekonomik büyümenin enerji talebini artırdığını ve üretim süreçlerinin enerjiye bağımlı olduğunu göstermektedir.

4.3 Elektrik Erişimi ve Enerji Tüketimi İlişkisi

Bu alt bölümde, elektriğe erişim oranı ile kişi başına elektrik tüketimi arasındaki ilişki analiz edilmiştir.

Sonuçlar, elektrik altyapısına erişimin yaygın olduğu ülkelerde kişi başına enerji tüketiminin de daha yüksek olduğunu göstermektedir. Bu bulgu, altyapı yatırımlarının enerji kullanım kapasitesini artırdığını ortaya koymaktadır.

4.4 Logaritmik Modeller

Değişkenler arasındaki doğrusal olmayan ilişkileri daha iyi yakalayabilmek amacıyla logaritmik regresyon modelleri tahmin edilmiştir.

Logaritmik modeller, ekonomik kalkınma ve enerji kullanımının marjinal etkilerinin, kalkınma düzeyi yükseldikçe azaldığını göstermektedir. Bu sonuçlar, doğrusal modellere kıyasla daha istikrarlı ve yorumlanabilir tahminler sunmaktadır.

5. Bulguların Tartışılması

Elde edilen bulgular, enerji altyapısının ve elektrik kullanımının ekonomik kalkınma sürecinde merkezi bir role sahip olduğunu göstermektedir. Elektriğe erişim, ülkelerin ekonomik refah düzeyiyle güçlü bir şekilde ilişkilidir.

Ayrıca, kişi başına elektrik tüketimi ile gelir düzeyi arasındaki pozitif ilişki, ekonomik büyümenin enerji talebini artırdığını ortaya koymaktadır. Bu durum, enerji politikalarının kalkınma stratejilerinin ayrılmaz bir parçası olması gerektiğine işaret etmektedir.

library(WDI)
library(dplyr)

## 
## 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

library(ggplot2)
library(tidyr)

Gerekli kütüphaneler yükleniyor: WDI Dünya Bankası verilerini çekmek için, dplyr ve tidyr veri temizleme ve manipülasyonu için, ggplot2 ise görselleştirme yapmak için kullanılıyor.

df <- WDI(
  country = "all",
  indicator = c(
    "EG.ELC.ACCS.ZS",
    "EG.USE.ELEC.KH.PC",
    "NY.GDP.PCAP.KD"
  ), start = 2000, end = 2023)

• country = "all" → Tüm ülkeler için veri çekiliyor.

• indicator = c(...) → Seçilen göstergeler:

-    **EG.ELC.ACCS.ZS** → Elektriğe erişim oranı (% nüfus)

-    **EG.USE.ELEC.KH.PC** → Kişi başına elektrik tüketimi (kWh)

-    **NY.GDP.PCAP.KD** → Kişi başına GSYH (sabit ABD doları)

• start = 2000, end = 2023 → Veriler 2000’den 2023’e kadar alınıyor.

Amaç: Ülkeler arasındaki elektrik erişimi, enerji kullanımı ve ekonomik gelişim düzeylerini incelemek.

years <- c(2000, 2005, 2010, 2015, 2020, 2023)

data_list <- lapply(years, function(y) {
  df %>%
    filter(year == y) %>%
    select(EG.ELC.ACCS.ZS, EG.USE.ELEC.KH.PC, NY.GDP.PCAP.KD) %>%
    na.omit()
})

names(data_list) <- paste0("df_", years)

df_2000 <- df %>% filter(year == 2000) %>% na.omit()
df_2005 <- df %>% filter(year == 2005) %>% na.omit()
df_2010 <- df %>% filter(year == 2010) %>% na.omit()
df_2015 <- df %>% filter(year == 2015) %>% na.omit()
df_2020 <- df %>% filter(year == 2020) %>% na.omit()
df_2023 <- df %>% filter(year == 2023) %>% na.omit()

aggreg_2000 <- df_2000 %>%
  summarise(
    Gozlem_Sayisi = n(),
    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Tuketim_Ortalama = mean(EG.USE.ELEC.KH.PC, na.rm = TRUE),
    Elektrik_Tuketim_SD = sd(EG.USE.ELEC.KH.PC, na.rm = TRUE),
    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )
aggreg_2000

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD
## 1           189                 75.85121           31.29665
##   Elektrik_Tuketim_Ortalama Elektrik_Tuketim_SD GSYH_Ortalama  GSYH_SD
## 1                  3141.162            4430.744      10973.03 15978.91

• 2000 yılı verilerini özetliyor.
• Ortalama ve standart sapmaları hesaplıyor: elektrik erişimi, elektrik tüketimi ve kişi başı GSYH.
• Amacı: ülkeler arası genel durumu ve farklılıkları hızlıca görmek.

library(dplyr)

aggreg_2000 <- df_2000 %>%
  summarise(
    Gozlem_Sayisi = n(),
    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Min = min(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Max = max(EG.ELC.ACCS.ZS, na.rm = TRUE),
    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )

aggreg_2000

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           189                 75.85121           31.29665                 3.1
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      10973.03 15978.91

• 2000 yılı için verileri özetliyor.
• Hesaplanan göstergeler:

-    **Gözlem sayısı** → kaç ülke/kaç veri noktası var.

-    **Elektrik erişimi** → ortalama, standart sapma, minimum ve maksimum değer.

-    **Kişi başı GSYH** → ortalama ve standart sapma.

• Amaç: 2000 yılında ülkeler arasındaki elektrik erişimi ve ekonomik farklılıkları hızlıca görmek.

colnames(df_2023)

## [1] "country"           "iso2c"             "iso3c"            
## [4] "year"              "EG.ELC.ACCS.ZS"    "EG.USE.ELEC.KH.PC"
## [7] "NY.GDP.PCAP.KD"

aggreg_2023 <- data.frame(
  Yil = 2023,
  Gozlem_Sayisi = nrow(df_2023),
  Elektrik_Erisim_Ortalama = mean(df_2023$EG.ELC.ACCS.ZS, na.rm = TRUE),
  Elektrik_Erisim_SD = sd(df_2023$EG.ELC.ACCS.ZS, na.rm = TRUE),
  GSYH_Ortalama = mean(df_2023$NY.GDP.PCAP.KD, na.rm = TRUE),
  GSYH_SD = sd(df_2023$NY.GDP.PCAP.KD, na.rm = TRUE)
)

aggreg_2023

##    Yil Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD GSYH_Ortalama
## 1 2023            92                 99.04921           3.870296      24775.18
##    GSYH_SD
## 1 23061.25

• 2023 yılı için veri özetini oluşturuyor.
• Hesaplanan göstergeler:

-    **Gözlem sayısı** → kaç ülke/kaç veri noktası var.

-    **Elektrik erişimi** → ortalama ve standart sapma.

-    **Kişi başı GSYH** → ortalama ve standart sapma.

• Amaç: 2023’te ülkeler arasındaki elektrik erişimi ve ekonomik farklılıkları hızlıca görmek.

aggreg_2005 <- df_2005 %>%
  summarise(
    Gozlem_Sayisi = n(),
    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Min = min(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Max = max(EG.ELC.ACCS.ZS, na.rm = TRUE),
    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )

aggreg_2005

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           190                 78.33408           29.43349                 4.8
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      12171.95 17205.04

• 2005 yılı verilerini özetliyor.
• Hesaplanan değerler:

  • Gözlem sayısı → o yıl kaç ülke/veri noktası var.

  • Elektrik erişimi → ortalama, standart sapma, minimum ve maksimum.

  • Kişi başı GSYH → ortalama ve standart sapma.

• Amaç: 2005 yılında ülkeler arasındaki elektrik erişimi ve ekonomik durum farklarını görmek.

aggreg_2010 <- df_2010 %>%
  summarise(
    Gozlem_Sayisi = n(),
    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Min = min(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Max = max(EG.ELC.ACCS.ZS, na.rm = TRUE),
    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )

aggreg_2010

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           190                 81.09907           27.64055                 6.4
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      12875.65 17489.56

aggreg_2015 <- df_2015 %>%
  summarise(
    Gozlem_Sayisi = n(),
    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Min = min(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Max = max(EG.ELC.ACCS.ZS, na.rm = TRUE),
    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )

aggreg_2015

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           190                 83.81847           25.42574                 4.8
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      13688.69 18148.64

• 2010 yılı verilerini özetliyor.
• Hesaplanan değerler:

-    **Gözlem sayısı** → o yıl kaç ülke/veri noktası var.

-    **Elektrik erişimi** → ortalama, standart sapma, minimum ve maksimum.

-    **Kişi başı GSYH** → ortalama ve standart sapma.

• Amaç: 2010 yılında ülkeler arasındaki elektrik erişimi ve ekonomik durum farklarını görmek.

library(dplyr)

ls()

##  [1] "aggreg_2000" "aggreg_2005" "aggreg_2010" "aggreg_2015" "aggreg_2023"
##  [6] "data_list"   "df"          "df_2000"     "df_2005"     "df_2010"    
## [11] "df_2015"     "df_2020"     "df_2023"     "years"

df_2020 <- df %>% filter(year == 2020)

colnames(df_2020)

## [1] "country"           "iso2c"             "iso3c"            
## [4] "year"              "EG.ELC.ACCS.ZS"    "EG.USE.ELEC.KH.PC"
## [7] "NY.GDP.PCAP.KD"

aggreg_2020 <- df_2020 %>%
  dplyr::summarise(
    Gozlem_Sayisi = n(),

    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),

    Elektrik_Tuketim_Ortalama = mean(EG.USE.ELEC.KH.PC, na.rm = TRUE),
    Elektrik_Tuketim_SD = sd(EG.USE.ELEC.KH.PC, na.rm = TRUE),

    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )

aggreg_2020

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD
## 1           266                  86.2934           23.42973
##   Elektrik_Tuketim_Ortalama Elektrik_Tuketim_SD GSYH_Ortalama  GSYH_SD
## 1                   3815.67            5238.157      14950.02 21201.26

# Créer les sous-ensembles annuels à partir de df
df_2000 <- df %>% filter(year == 2000) %>% na.omit()
df_2005 <- df %>% filter(year == 2005) %>% na.omit()
df_2010 <- df %>% filter(year == 2010) %>% na.omit()
df_2015 <- df %>% filter(year == 2015) %>% na.omit()
df_2020 <- df %>% filter(year == 2020) %>% na.omit()
df_2023 <- df %>% filter(year == 2023) %>% na.omit()

• df_2020 verisi üzerinden özet istatistikler çıkarılıyor.

• summarise() ile her değişken için:

-    Gözlem sayısı (`Gozlem_Sayisi`)

-    Elektrik erişim ortalaması ve standart sapması (`Elektrik_Erisim_Ortalama`, `Elektrik_Erisim_SD`)

-    Elektrik tüketim ortalaması ve standart sapması (`Elektrik_Tuketim_Ortalama`, `Elektrik_Tuketim_SD`)

-    Kişi başı GSYH ortalaması ve standart sapması (`GSYH_Ortalama`, `GSYH_SD`)

• Amaç: 2020 yılı için verinin genel durumunu özetlemek ve karşılaştırma için kullanmak.

exists("df_2023")

## [1] TRUE

nrow(df_2023)

## [1] 92

aggreg_2023 <- df_2023 %>%
  summarise(
    Gozlem_Sayisi = n(),
    Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Min = min(EG.ELC.ACCS.ZS, na.rm = TRUE),
    Elektrik_Erisim_Max = max(EG.ELC.ACCS.ZS, na.rm = TRUE),
    GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
    GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
  )

• df_2023 verisi kullanılarak 2023 yılı için temel özet istatistikler çıkarılıyor.

• Hesaplanan değerler:

-    Gözlem sayısı (`Gozlem_Sayisi`)

-    Elektrik erişim oranının ortalaması, standart sapması, minimum ve maksimum değerleri (`Elektrik_Erisim_Ortalama`, `Elektrik_Erisim_SD`, `Elektrik_Erisim_Min`, `Elektrik_Erisim_Max`)

-    Kişi başı GSYH’nin ortalaması ve standart sapması (`GSYH_Ortalama`, `GSYH_SD`)

• Amaç: 2023 yılı için ülkeler arası elektrik erişimi ve ekonomik durumun genel görünümünü sunmak.

aggreg_2000 <- df_2000 %>% summarise(
  Gozlem_Sayisi = n(),
  Elektrik_Erisim_Ortalama = mean(EG.ELC.ACCS.ZS, na.rm = TRUE),
  Elektrik_Erisim_SD = sd(EG.ELC.ACCS.ZS, na.rm = TRUE),
  Elektrik_Tuketim_Ortalama = mean(EG.USE.ELEC.KH.PC, na.rm = TRUE),
  Elektrik_Tuketim_SD = sd(EG.USE.ELEC.KH.PC, na.rm = TRUE),
  GSYH_Ortalama = mean(NY.GDP.PCAP.KD, na.rm = TRUE),
  GSYH_SD = sd(NY.GDP.PCAP.KD, na.rm = TRUE)
)

• df_2000 veri seti kullanılarak 2000 yılı için temel özet istatistikler hesaplanıyor.

• Hesaplanan göstergeler:

-    Gözlem sayısı (`Gozlem_Sayisi`)

-    Elektrik erişim oranının ortalaması ve standart sapması (`Elektrik_Erisim_Ortalama`, `Elektrik_Erisim_SD`)

-    Elektrik tüketiminin ortalaması ve standart sapması (`Elektrik_Tuketim_Ortalama`, `Elektrik_Tuketim_SD`)

-    Kişi başı GSYH’nin ortalaması ve standart sapması (`GSYH_Ortalama`, `GSYH_SD`)

• Amaç: 2000 yılı için ülkelerin elektrik erişimi, tüketimi ve ekonomik durumunun genel görünümünü sunmak.

# Gerekli değişkenleri seçme ve NA'ları çıkarma
df_2000 <- df_2000 %>%
  select(
    EG.ELC.ACCS.ZS,
    EG.USE.ELEC.KH.PC,
    NY.GDP.PCAP.KD
  ) %>%
  na.omit()

• df_2000 veri setinden yalnızca analizde kullanılacak değişkenler seçiliyor:

  • EG.ELC.ACCS.ZS → Elektrik erişim oranı

  • EG.USE.ELEC.KH.PC → Kişi başı elektrik tüketimi

  • NY.GDP.PCAP.KD → Kişi başı GSYH

• na.omit() ile eksik (NA) değerler veri setinden çıkarılıyor.

• Amaç: Analiz ve modelleme için temiz ve sadece gerekli değişkenleri içeren bir veri seti oluşturmak.

# Gözlem sayısını kontrol etme
nrow(df_2000)

## [1] 189

# Regresyon 1: Elektrik erişimi ~ GSYH (2000)
model_1_2000 <- lm(
  EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD,
  data = df_2000
)

summary(model_1_2000)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -63.369 -18.836   6.281  23.902  32.962 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.599e+01  2.463e+00   26.80  < 2e-16 ***
## NY.GDP.PCAP.KD 8.985e-04  1.273e-04    7.06 3.17e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 27.88 on 187 degrees of freedom
## Multiple R-squared:  0.2104, Adjusted R-squared:  0.2062 
## F-statistic: 49.84 on 1 and 187 DF,  p-value: 3.175e-11

• Amaç: 2000 yılı için elektrik erişimi (EG.ELC.ACCS.ZS) ile kişi başı GSYH (NY.GDP.PCAP.KD) arasındaki ilişkiyi incelemek.

• lm() fonksiyonu ile basit doğrusal regresyon modeli kuruluyor:

Elektrik Eris¸imi=β0+β1×GSYH+ε\text{Elektrik Erişimi} = \beta_0 + \beta_1 \times \text{GSYH} + \varepsilonElektrik Eris¸​imi=β0​+β1​×GSYH+ε

• summary(model_1_2000) ile modelin:

-    Katsayıları (`Intercept` ve `NY.GDP.PCAP.KD`)

-    İstatistiksel anlamlılıkları (p-değerleri)

-    R-kare değeri

-    Artıkların dağılımı

gibi temel sonuçları özetleniyor.

Özetle: Bu model, ülkelerin kişi başı geliri arttıkça elektrik erişiminin nasıl değiştiğini sayısal olarak gösteriyor.

library(ggplot2)

# Regresyon grafiği (2000)
ggplot(df_2000, aes(x = NY.GDP.PCAP.KD, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "blue") +
  labs(
    title = "Regresyon 1: Elektrik Erişimi ~ GSYH (2000)",
    x = "Kişi Başına GSYH",
    y = "Elektriğe Erişim (%)"
  )

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2000 yılı için elektrik erişimi ile kişi başı GSYH arasındaki ilişkiyi görselleştirmek.

• Nokta grafiği (geom_point) her bir ülkeyi temsil eder.

• Doğrusal regresyon çizgisi (geom_smooth(method = "lm")) GSYH ile elektrik erişimi arasındaki ortalama eğilimi gösterir.

• Yorum: Eğri yukarı doğru eğimli ise, GSYH arttıkça elektrik erişiminin de arttığını gösterir.

Kısaca, modelin sayısal sonucunu grafikle somutlaştırıyoruz.

# Regresyon 2: Elektrik tüketimi ~ GSYH (2000)
model_2_2000 <- lm(
  EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD,
  data = df_2000
)

summary(model_2_2000)

## 
## Call:
## lm(formula = EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -9906.8  -694.7  -412.8   336.9 15496.5 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    587.32245  213.28068   2.754  0.00647 ** 
## NY.GDP.PCAP.KD   0.23274    0.01102  21.114  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2415 on 187 degrees of freedom
## Multiple R-squared:  0.7045, Adjusted R-squared:  0.7029 
## F-statistic: 445.8 on 1 and 187 DF,  p-value: < 2.2e-16

• Amaç: 2000 yılı için kişi başına elektrik tüketimi ile kişi başı GSYH arasındaki ilişkiyi incelemek.
• Model: EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD
• Yorum: Katsayı pozitifse, GSYH arttıkça elektrik tüketimi de artıyor demektir.
• Önem: Bu analiz, ekonomik refahın enerji kullanımına etkisini gösterir.

# Regresyon grafiği (2000)
ggplot(df_2000, aes(x = NY.GDP.PCAP.KD, y = EG.USE.ELEC.KH.PC)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "darkgreen") +
  labs(
    title = "Regresyon 2: Elektrik Tüketimi ~ GSYH (2000)",
    x = "Kişi Başına GSYH",
    y = "Kişi Başına Elektrik Tüketimi (kWh)"
  )

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2000 yılı için kişi başına GSYH ile elektrik tüketimi arasındaki ilişkiyi görselleştirmek.

• Yorum: Noktalar ve regresyon çizgisi, GSYH arttıkça elektrik tüketiminin genellikle arttığını gösteriyor.

• Önem: Ekonomik büyüme ile enerji talebi arasındaki bağlantıyı görsel olarak destekler.

# Regresyon 3: Elektrik erişimi ~ Elektrik tüketimi (2000)
model_3_2000 <- lm(
  EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC,
  data = df_2000
)

summary(model_3_2000)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC, data = df_2000)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -62.15 -22.20  10.34  22.73  31.05 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       6.523e+01  2.459e+00  26.531  < 2e-16 ***
## EG.USE.ELEC.KH.PC 3.382e-03  4.535e-04   7.459 3.17e-12 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 27.55 on 187 degrees of freedom
## Multiple R-squared:  0.2293, Adjusted R-squared:  0.2252 
## F-statistic: 55.64 on 1 and 187 DF,  p-value: 3.174e-12

• Amaç: 2000 yılı için elektrik tüketimi ile elektrik erişimi arasındaki ilişkiyi incelemek.
• Yorum: Model, daha yüksek elektrik tüketiminin genellikle daha yüksek elektrik erişimi ile ilişkili olduğunu gösteriyor.
• Önem: Elektrik kullanımının yaygınlığı ile erişim düzeyi arasındaki bağımlılığı gösterir.

# Regresyon grafiği (2000)
ggplot(df_2000, aes(x = EG.USE.ELEC.KH.PC, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "purple") +
  labs(
    title = "Regresyon 3: Elektrik Erişimi ~ Elektrik Tüketimi (2000)",
    x = "Kişi Başına Elektrik Tüketimi (kWh)",
    y = "Elektriğe Erişim (%)"
  )

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2000 yılı için elektrik tüketimi ile elektrik erişimi arasındaki ilişkiyi görselleştirmek.
• Gözlem: Noktalar, elektrik tüketimi arttıkça elektrik erişiminin de arttığını gösteriyor; çizgi, bu pozitif ilişkiyi doğrusal olarak özetliyor.
• Önem: Elektrik tüketimi ile erişim arasında güçlü bir bağlantı olduğunu görselleştirir.

# Logaritmik regresyon (2000)
model_4_2000 <- lm(
  log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD),
  data = df_2000
)

summary(model_4_2000)

## 
## Call:
## lm(formula = log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD), data = df_2000)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.32825 -0.29606  0.08405  0.38044  1.20193 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          1.33572    0.23031    5.80 2.79e-08 ***
## log(NY.GDP.PCAP.KD)  0.33853    0.02724   12.43  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.5351 on 187 degrees of freedom
## Multiple R-squared:  0.4524, Adjusted R-squared:  0.4494 
## F-statistic: 154.5 on 1 and 187 DF,  p-value: < 2.2e-16

• Amaç: 2000 yılı için kişi başına GSYH ile elektrik erişimi arasındaki ilişkiyi log-log formunda incelemek.
• Gözlem: Logaritmik dönüşüm, değişkenler arasındaki oransal (yüzdesel) ilişkiyi yakalamayı sağlar.
• Önem: Bu model, GSYH’deki yüzde değişimlerin elektrik erişiminde tahmini yüzde değişimlerle nasıl ilişkili olduğunu gösterir; ekonometrik analizlerde büyüme ve esneklik değerlendirmesi için kullanılır.

# Logaritmik regresyon grafiği
ggplot(df_2000, aes(x = log(NY.GDP.PCAP.KD), y = log(EG.ELC.ACCS.ZS))) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(
    title = "Regresyon 4: Log(Elektrik Erişimi) ~ Log(GSYH) (2000)",
    x = "Log(Kişi Başına GSYH)",
    y = "Log(Elektriğe Erişim)"
  )

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2000 yılı için kişi başına GSYH ile elektrik erişimi arasındaki logaritmik ilişkiyi görselleştirmek.
• Gözlem: Noktalar her ülkeyi temsil eder; kırmızı çizgi doğrusal log-log ilişkiyi gösterir.
• Önem: Log-log dönüşümü, GSYH’deki yüzde değişimlerin elektrik erişiminde tahmini yüzde değişimle nasıl ilişkili olduğunu daha net görmemizi sağlar.

# 2005 yılı veri setini oluşturma
df_2005 <- df %>% filter(year == 2005)

# Gerekli değişkenleri seçme ve NA'ları çıkarma
df_2005 <- df_2005 %>%
  select(
    EG.ELC.ACCS.ZS,
    EG.USE.ELEC.KH.PC,
    NY.GDP.PCAP.KD
  ) %>%
  na.omit()

# Gözlem sayısını kontrol etme
nrow(df_2005)

## [1] 190

• Amaç: 2005 yılına ait veriyi ayıklamak ve analiz için hazırlamak.
• Adımlar:

1.   `year == 2005` filtresiyle 2005 yılı verileri seçiliyor.

2.   Analizde kullanılacak değişkenler (`Elektrik Erişimi`, `Elektrik Tüketimi`, `GSYH`) seçiliyor.

3.   Eksik veriler (`NA`) çıkarılıyor.

• Kontrol: nrow(df_2005) ile kaç gözlem kaldığı görülüyor.

model_1_2005 <- lm(
  EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD,
  data = df_2005
)

summary(model_1_2005)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD, data = df_2005)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -64.911 -14.728   7.744  21.892  29.846 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.898e+01  2.345e+00  29.414  < 2e-16 ***
## NY.GDP.PCAP.KD 7.686e-04  1.115e-04   6.896 7.91e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 26.37 on 188 degrees of freedom
## Multiple R-squared:  0.2019, Adjusted R-squared:  0.1976 
## F-statistic: 47.55 on 1 and 188 DF,  p-value: 7.91e-11

• Amaç: 2005 yılı verisi için Elektrik Erişimi ile kişi başına GSYH arasındaki ilişkiyi incelemek.
• Yöntem: lm() fonksiyonu ile doğrusal regresyon modeli kuruluyor:

Elektrik Eris¸imi=β0+β1×GSYH+ϵ\text{Elektrik Erişimi} = \beta_0 + \beta_1 \times \text{GSYH} + \epsilonElektrik Eris¸​imi=β0​+β1​×GSYH+ϵ

• Çıktı: summary(model_1_2005) modeli özetler; katsayılar, anlamlılık (p-değerleri), R-kare değeri ve hata terimleri gösterilir.
• Yorum: Katsayılar, GSYH arttıkça elektrik erişiminin nasıl değiştiğini gösterir ve modelin veri ile ne kadar uyumlu olduğunu anlamaya yardımcı olur.

install.packages("ggplot2")   # (seulement si pas encore installé)

## Warning: le package 'ggplot2' est en cours d'utilisation et ne sera pas
## installé

library(ggplot2)              # très important !

p5 <- ggplot(df_2005, aes(x = NY.GDP.PCAP.KD, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "blue") +
  labs(
    title = "Regresyon 1: Elektrik Erişimi ~ GSYH (2005)",
    x = "Kişi Başına GSYH",
    y = "Elektriğe Erişim (%)"
  )

p5

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2005 yılı verisi için Elektrik Erişimi ve kişi başına GSYH arasındaki ilişkiyi grafik ile görselleştirmek.
• Yöntem:

-    `ggplot()` ile veri görselleştirme başlatılır.

-    `geom_point()` ile her ülke için veri noktaları gösterilir (şeffaflık α = 0.6).

-    `geom_smooth(method = "lm")` ile doğrusal regresyon eğrisi çizilir, `se = FALSE` ile güven aralığı gizlenir.

-    `labs()` ile başlık ve eksen isimleri eklenir.

• Yorum: Grafik, GSYH arttıkça elektrik erişiminin nasıl değiştiğini görsel olarak anlamayı sağlar; regresyon eğrisi trendi özetler.

model_2_2005 <- lm(
  EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD,
  data = df_2005
)

summary(model_2_2005)

## 
## Call:
## lm(formula = EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD, data = df_2005)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -9771.0  -783.7  -459.3   362.3 15746.9 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    693.65517  222.11821   3.123  0.00207 ** 
## NY.GDP.PCAP.KD   0.22788    0.01056  21.584  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2497 on 188 degrees of freedom
## Multiple R-squared:  0.7125, Adjusted R-squared:  0.7109 
## F-statistic: 465.9 on 1 and 188 DF,  p-value: < 2.2e-16

• Amaç: 2005 yılı için Kişi Başına Elektrik Tüketimi ile Kişi Başına GSYH arasındaki ilişkiyi incelemek.
• Yöntem:

-    `lm()` fonksiyonu ile doğrusal regresyon modeli kuruluyor: `EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD`.

-    `summary(model_2_2005)` ile modelin katsayıları, R-kare değeri ve p-değerleri gibi temel istatistikleri görüntüleniyor.

• Yorum: Model, GSYH’nin elektrik tüketimi üzerindeki etkisini sayısal olarak değerlendirir; pozitif katsayı, gelir arttıkça elektrik tüketiminin de arttığını gösterir.

p6 <- ggplot(df_2005, aes(x = NY.GDP.PCAP.KD, y = EG.USE.ELEC.KH.PC)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "darkgreen") +
  labs(
    title = "Regresyon 6: Elektrik Tüketimi ~ GSYH (2005)",
    x = "Kişi Başına GSYH",
    y = "Kişi Başına Elektrik Tüketimi (kWh)"
  )
p6

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2005 yılı için Kişi Başına Elektrik Tüketimi ile Kişi Başına GSYH arasındaki doğrusal ilişkiyi görselleştirmek.
• Özellikler:

-    Her nokta bir ülkeyi temsil ediyor.

-    `geom_smooth(method = "lm")` ile regresyon doğrusu çizilmiş; eğilim açıkça görülüyor.

-    Renk ve şeffaflık (`color = "darkgreen"`, `alpha = 0.6`) veriyi daha anlaşılır hale getiriyor.

• Yorum: GSYH arttıkça elektrik tüketimi genellikle artıyor; doğrusal bir ilişki gözlemleniyor.

model_3_2005 <- lm(
  EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC,
  data = df_2005
)

summary(model_3_2005)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC, data = df_2005)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -63.06 -19.79  10.22  20.34  28.16 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       6.779e+01  2.346e+00   28.89  < 2e-16 ***
## EG.USE.ELEC.KH.PC 3.041e-03  4.055e-04    7.50 2.46e-12 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 25.89 on 188 degrees of freedom
## Multiple R-squared:  0.2303, Adjusted R-squared:  0.2262 
## F-statistic: 56.25 on 1 and 188 DF,  p-value: 2.458e-12

• Amaç: 2005 yılı için Elektrik Erişimi (%) ile Kişi Başına Elektrik Tüketimi (kWh) arasındaki ilişkiyi incelemek.
• Model: EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC
• Yorum:

-   Regresyon çıktısı, elektrik tüketimi arttıkça elektrik erişiminin de genellikle arttığını gösteriyor.

-    Bu, ülkelerde elektrik kullanımının erişim ile yakından ilişkili olduğunu gösteren basit bir doğrusal ilişkiyi temsil ediyor.

• Kullanım: Politika ve enerji planlamasında, tüketim ile erişim arasındaki bağlantıyı değerlendirmek için kullanılabilir.

p7 <- ggplot(df_2005, aes(x = EG.USE.ELEC.KH.PC, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "purple") +
  labs(
    title = "Regresyon 7: Elektrik Erişimi ~ Elektrik Tüketimi (2005)",
    x = "Kişi Başına Elektrik Tüketimi (kWh)",
    y = "Elektriğe Erişim (%)"
  )
p7

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2005 yılı için Elektrik Erişimi (%) ile Kişi Başına Elektrik Tüketimi (kWh) arasındaki ilişkiyi görselleştirmek.

• Yorum:

-    Noktalar ülkeleri temsil ediyor ve eğri doğrusal regresyonu gösteriyor.

-    Grafik, tüketim arttıkça erişimin de arttığını görsel olarak ortaya koyuyor.

-    Yani, ülkelerde daha yüksek elektrik kullanımı genellikle daha yüksek elektrik erişimi ile ilişkili.

• Kısaca: Elektrik tüketimi ve erişim arasında pozitif doğrusal bir ilişki var.

model_4_2005 <- lm(
  log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD),
  data = df_2005
)

summary(model_4_2005)

## 
## Call:
## lm(formula = log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD), data = df_2005)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.1493 -0.2760  0.1003  0.3537  1.0140 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          1.59569    0.21393   7.459 3.13e-12 ***
## log(NY.GDP.PCAP.KD)  0.30939    0.02487  12.443  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4789 on 188 degrees of freedom
## Multiple R-squared:  0.4516, Adjusted R-squared:  0.4487 
## F-statistic: 154.8 on 1 and 188 DF,  p-value: < 2.2e-16

• Amaç: 2005 yılı için log(Elektrik Erişimi) ile log(Kişi Başına GSYH) arasındaki ilişkiyi incelemek.

• Yorum:

-    Logaritmik dönüşüm, değişkenler arasındaki büyüme oranlarını ve orantısal ilişkileri daha iyi gösterir.

-    Regresyon katsayısı pozitifse, GSYH arttıkça elektrik erişimi de orantısal olarak artıyor demektir.

-    Bu, ülkeler arası ekonomik farklılıkların elektrik erişimi üzerindeki etkisini daha net ve orantısal şekilde ortaya koyar.

• Kısaca: GSYH ile elektrik erişimi arasında pozitif orantısal bir ilişki var.

p8 <- ggplot(df_2005, aes(x = log(NY.GDP.PCAP.KD), y = log(EG.ELC.ACCS.ZS))) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(
    title = "Regresyon 8: Log(Elektrik Erişimi) ~ Log(GSYH) (2005)",
    x = "Log(Kişi Başına GSYH)",
    y = "Log(Elektriğe Erişim)"
  )
p8

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2005 yılı için logaritmik regresyonun görselleştirilmesi.

• Yorum:

-    Noktalar, ülkelerin kişi başına GSYH ve elektrik erişimi değerlerini logaritmik ölçekte gösteriyor.

-    Kırmızı çizgi, regresyon eğrisini ve genel trendi gösterir.

-    Grafikte görülen pozitif eğim, **GSYH arttıkça elektrik erişiminin de orantılı olarak arttığını** doğrular.

• Kısaca: Grafik, ekonomik büyüme ile elektrik erişimi arasındaki pozitif ilişkiyi net bir şekilde ortaya koyuyor.

# Grafiklerin kaydedilmesi
ggsave("regresyon_5_2005.png", plot = p5, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_6_2005.png", plot = p6, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_7_2005.png", plot = p7, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_8_2005.png", plot = p8, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

AKADEMİK YORUM (2000–2005)

Özet yorum:

2000 ve 2005 yıllarına ait sonuçlar, kişi başına gelir düzeyi ile elektriğe erişim arasında pozitif ve istatistiksel olarak anlamlı bir ilişki olduğunu doğrulamaktadır. Kişi başına GSYİH’nın artışı, kişi başına elektrik tüketiminin artmasıyla da ilişkilidir; bu da ekonomik faaliyetlerin yoğunlaşmasını ve yaşam standartlarının yükseldiğini yansıtmaktadır.

Ayrıca, elektriğe erişim ile elektrik tüketimi arasındaki pozitif ilişki, enerji altyapısının iyileştirilmesinin enerji kullanımının artmasını teşvik ettiğini göstermektedir. Logaritmik modeller, gelişmişlik düzeyi arttıkça gelirin elektrik erişimine marjinal etkisinin azaldığını göstermektedir. Bu durum, yüksek gelirli ülkelerde altyapı yatırımlarının getirisinin azalması fikriyle tutarlıdır.

library(dplyr)

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.1     ✔ readr     2.1.6
## ✔ lubridate 1.9.4     ✔ stringr   1.6.0
## ✔ purrr     1.2.0     ✔ tibble    3.3.0
## ── 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

# 2010 yılı veri setini oluşturma
df_2010 <- df %>% filter(year == 2010)

# Gerekli değişkenleri seçme ve NA değerleri silme
df_2010 <- df_2010 %>%
  select(
    EG.ELC.ACCS.ZS,
    EG.USE.ELEC.KH.PC,
    NY.GDP.PCAP.KD
  ) %>%
  na.omit()

# Gözlem sayısını kontrol etme
nrow(df_2010)

## [1] 190

model_1_2010 <- lm(
  EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD,
  data = df_2010
)

summary(model_1_2010)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD, data = df_2010)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -66.539 -12.200   8.432  19.892  26.151 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    7.228e+01  2.252e+00   32.09  < 2e-16 ***
## NY.GDP.PCAP.KD 6.846e-04  1.039e-04    6.59  4.3e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 24.98 on 188 degrees of freedom
## Multiple R-squared:  0.1877, Adjusted R-squared:  0.1833 
## F-statistic: 43.43 on 1 and 188 DF,  p-value: 4.301e-10

• Amaç: 2010 yılı verileri için Elektrik Erişimi ~ Kişi Başına GSYH regresyonunu yapmak.

• Adımlar:

1.   `lm(EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD, data = df_2010)` ile doğrusal model kuruluyor.

2.   `summary(model_1_2010)` ile modelin katsayıları, R² değeri ve anlamlılık testleri görüntüleniyor.

• Kısaca: 2010 yılı için kişi başına GSYH’nin elektrik erişimi üzerindeki etkisi inceleniyor.

p9 <- ggplot(df_2010, aes(x = NY.GDP.PCAP.KD, y = EG.ELC.ACCS.ZS)) +

  geom_point(alpha = 0.6) +

  geom_smooth(method = "lm", se = FALSE, color = "blue") +

  labs(

    title = "Regresyon 9: Elektrik Erişimi ~ GSYH (2010)",

    x = "Kişi Başına GSYH",

    y = "Elektriğe Erişim (%)"

  )

p9

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2010 yılı verileri için Elektrik Erişimi ile Kişi Başına GSYH arasındaki ilişkiyi görselleştirmek.
• İçerik:

-    Noktalar: Her ülke için gözlemler.

-    Mavi çizgi: Doğrusal regresyon eğrisi (GSYH arttıkça elektrik erişimi nasıl değişiyor).

• Yorum: Grafik, GSYH arttıkça elektrik erişiminin genellikle arttığını görsel olarak gösteriyor.

model_2_2010 <- lm(
  EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD,
  data = df_2010
)

summary(model_2_2010)

## 
## Call:
## lm(formula = EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD, data = df_2010)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -11568   -825   -451    388  39128 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    735.43394  325.91762   2.257   0.0252 *  
## NY.GDP.PCAP.KD   0.23374    0.01503  15.549   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3614 on 188 degrees of freedom
## Multiple R-squared:  0.5626, Adjusted R-squared:  0.5602 
## F-statistic: 241.8 on 1 and 188 DF,  p-value: < 2.2e-16

• Amaç: 2010 yılı verileri ile Kişi Başına Elektrik Tüketimi ve Kişi Başına GSYH arasındaki ilişkiyi incelemek.
• Sonuç: Regresyon çıktısı, GSYH arttıkça elektrik tüketiminin genellikle arttığını gösteriyor.
• Önem: İstatistiksel olarak anlamlı bir ilişki bulunmuşsa (p-değeri küçük), GSYH değişimlerinin elektrik tüketimini etkilediğini söyleyebiliriz.

p10 <- ggplot(df_2010, aes(x = NY.GDP.PCAP.KD, y = EG.USE.ELEC.KH.PC)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "darkgreen") +
  labs(
    title = "Regresyon 10: Elektrik Tüketimi ~ GSYH (2010)",
    x = "Kişi Başına GSYH",
    y = "Kişi Başına Elektrik Tüketimi (kWh)"
  )
p10

## `geom_smooth()` using formula = 'y ~ x'

Bu grafiğin kısa ve öz açıklaması:

• Amaç: 2010 yılı için Kişi Başına GSYH ile Kişi Başına Elektrik Tüketimi arasındaki ilişkiyi görselleştirmek.

• Gözlem: Noktalar ve regresyon çizgisi, GSYH arttıkça elektrik tüketiminin de genellikle arttığını gösteriyor.

• Önem: Bu, ekonomik büyüme ile enerji kullanımının pozitif korelasyonunu destekleyen görsel bir kanıt sunar.

model_3_2010 <- lm(
  EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC,
  data = df_2010
)

summary(model_3_2010)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC, data = df_2010)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -80.961  -9.536  11.318  18.385  23.526 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       7.326e+01  2.224e+00  32.944  < 2e-16 ***
## EG.USE.ELEC.KH.PC 2.094e-03  3.369e-04   6.215 3.23e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 25.24 on 188 degrees of freedom
## Multiple R-squared:  0.1705, Adjusted R-squared:  0.166 
## F-statistic: 38.63 on 1 and 188 DF,  p-value: 3.226e-09

• Amaç: 2010 yılı verisi için Kişi Başına Elektrik Tüketimi ile Elektriğe Erişim (%) arasındaki ilişkiyi incelemek.
• Gözlem: Regresyon sonucu, elektrik tüketimi arttıkça elektrik erişiminin de genellikle arttığını gösteriyor.
• Önem: Bu, enerji kullanımının erişimle ilişkili olduğunu ve politika planlamasında tüketim ve erişim arasındaki bağlantıyı anlamanın değerini vurgular.

p11 <- ggplot(df_2010, aes(x = EG.USE.ELEC.KH.PC, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "purple") +
  labs(
    title = "Regresyon 11: Elektrik Erişimi ~ Elektrik Tüketimi (2010)",
    x = "Kişi Başına Elektrik Tüketimi (kWh)",
    y = "Elektriğe Erişim (%)"
  )
p11

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2010 yılında Kişi Başına Elektrik Tüketimi ile Elektriğe Erişim (%) arasındaki ilişkiyi görselleştirmek.
• Gözlem: Nokta grafiği ve regresyon çizgisi, elektrik tüketimi arttıkça elektrik erişiminin de arttığını gösteriyor.
• Önem: Enerji kullanımının erişimle olan bağlantısını açıkça ortaya koyar ve politika veya altyapı planlaması için bilgi sağlar.

model_4_2010 <- lm(
  log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD),
  data = df_2010
)

summary(model_4_2010)

## 
## Call:
## lm(formula = log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD), data = df_2010)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.9450 -0.2434  0.1041  0.2920  0.8517 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          1.90098    0.19265   9.867   <2e-16 ***
## log(NY.GDP.PCAP.KD)  0.27687    0.02208  12.541   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4102 on 188 degrees of freedom
## Multiple R-squared:  0.4555, Adjusted R-squared:  0.4526 
## F-statistic: 157.3 on 1 and 188 DF,  p-value: < 2.2e-16

• Amaç: 2010 yılı için Elektriğe Erişim (%) ile Kişi Başına GSYH arasındaki ilişkiyi logaritmik dönüşüm ile incelemek.
• Gözlem: Log-log modeli, GSYH arttıkça elektrik erişiminin de orantılı olarak arttığını gösteriyor.
• Önem: Bu dönüşüm, veriler arasındaki doğrusal olmayan ilişkiyi daha iyi yakalamaya yardımcı olur ve elastikiyet analizi için uygundur.

p12 <- ggplot(df_2010, aes(x = log(NY.GDP.PCAP.KD), y = log(EG.ELC.ACCS.ZS))) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(
    title = "Regresyon 12: Log(Elektrik Erişimi) ~ Log(GSYH) (2010)",
    x = "Log(Kişi Başına GSYH)",
    y = "Log(Elektriğe Erişim)"
  )
p12

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2010 yılı için logaritmik dönüşüm uygulanmış GSYH ile logaritmik elektrik erişimi arasındaki ilişkiyi görselleştirmek.

• Gözlem: Noktalar ve kırmızı regresyon çizgisi, GSYH arttıkça elektrik erişiminin de orantılı olarak arttığını gösteriyor.

• Önem: Log-log dönüşümü, değişkenler arasındaki oransal ilişkileri ve elastikiyetleri anlamak için kullanılır.

ggsave("regresyon_9_2010.png", plot = p9, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_10_2010.png", plot = p10, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_11_2010.png", plot = p11, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_12_2010.png", plot = p12, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

AKADEMİK YORUM (2010)

Rapora eklenmeye hazır metin:

2010 yılı sonuçları, kişi başına gelir düzeyi ile elektrik erişimi arasındaki pozitif ilişkinin sağlamlığını teyit etmektedir. Kişi başına elektrik tüketimi, kişi başına GSYİH ile güçlü bir korelasyon göstermektedir, bu da ekonomik gelişmeyle birlikte enerji kullanımının yoğunlaştığını göstermektedir.

Elektrik erişimi ile elektrik tüketimi arasındaki pozitif ilişki, enerji altyapısının kalkınma sürecindeki merkezi rolünü vurgulamaktadır. Logaritmik tahminler, kalkınma düzeyi arttıkça gelirin elektrik erişimine marjinal etkisinin azaldığını göstermektedir, bu da azalan verimlilik hipotezini doğrulamaktadır.

# 2015 yılı veri setini oluşturma
df_2015 <- df %>% filter(year == 2015)

# Gerekli değişkenleri seçme ve eksik gözlemleri silme
df_2015 <- df_2015 %>%
  select(
    EG.ELC.ACCS.ZS,
    EG.USE.ELEC.KH.PC,
    NY.GDP.PCAP.KD
  ) %>%
  na.omit()

# Gözlem sayısını kontrol etme
nrow(df_2015)

## [1] 190

model_1_2015 <- lm(
  EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD,
  data = df_2015
)

summary(model_1_2015)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD, data = df_2015)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -71.695  -9.184   9.753  16.893  22.916 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    7.587e+01  2.110e+00  35.954  < 2e-16 ***
## NY.GDP.PCAP.KD 5.809e-04  9.298e-05   6.247 2.73e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 23.2 on 188 degrees of freedom
## Multiple R-squared:  0.1719, Adjusted R-squared:  0.1675 
## F-statistic: 39.03 on 1 and 188 DF,  p-value: 2.728e-09

• Amaç: 2015 yılı için Kişi Başına GSYH ile Elektriğe Erişim (%) arasındaki doğrusal ilişkiyi incelemek.
• Model: EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD
• Gözlem: Katsayılar, GSYH arttıkça elektrik erişiminin de arttığını gösteriyor.
• Önem: Bu model, ekonomik büyüme ile elektrik erişimi arasındaki ilişkiyi nicel olarak anlamamızı sağlar.

p13 <- ggplot(df_2015, aes(x = NY.GDP.PCAP.KD, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Regresyon 13: Elektrik Erişimi ~ GSYH (2015)",
    x = "Kişi Başına GSYH",
    y = "Elektriğe Erişim (%)"
  )
p13

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2015 yılı için Kişi Başına GSYH ile Elektriğe Erişim (%) arasındaki ilişkiyi görselleştirmek.
• Gözlem: Noktalar ülkeleri temsil ediyor; eğri, doğrusal regresyon sonucunu gösteriyor.
• Yorum: Genel olarak, GSYH arttıkça elektrik erişimi de artıyor; ekonomik büyüme ile elektrik erişimi arasında pozitif bir ilişki mevcut.

model_2_2015 <- lm(
  EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD,
  data = df_2015
)

summary(model_2_2015)

## 
## Call:
## lm(formula = EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD, data = df_2015)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -11420   -936   -468    445  42686 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    886.80367  356.08749    2.49   0.0136 *  
## NY.GDP.PCAP.KD   0.21516    0.01569   13.71   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3915 on 188 degrees of freedom
## Multiple R-squared:    0.5,  Adjusted R-squared:  0.4974 
## F-statistic:   188 on 1 and 188 DF,  p-value: < 2.2e-16

• Amaç: 2015 yılı için Kişi Başına GSYH ile Kişi Başına Elektrik Tüketimi (kWh) arasındaki ilişkiyi incelemek.
• Gözlem: Model, GSYH arttıkça elektrik tüketiminin de artma eğiliminde olduğunu gösteriyor.
• Yorum: Ekonomik düzeyi yüksek ülkelerde elektrik tüketimi daha fazla; GSYH ile elektrik tüketimi arasında pozitif bir ilişki mevcut.

p14 <- ggplot(df_2015, aes(x = NY.GDP.PCAP.KD, y = EG.USE.ELEC.KH.PC)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Regresyon 14: Elektrik Tüketimi ~ GSYH (2015)",
    x = "Kişi Başına GSYH",
    y = "Kişi Başına Elektrik Tüketimi (kWh)"
  )
p14

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2015 yılı verileriyle GSYH ve Kişi Başına Elektrik Tüketimi arasındaki ilişkiyi görselleştirmek.
• Gözlem: Noktalar ve regresyon doğrusu, GSYH arttıkça elektrik tüketiminin de arttığını gösteriyor.
• Yorum: Ekonomik gelişmişliği yüksek ülkelerde elektrik tüketimi daha fazla; pozitif doğrusal bir ilişki mevcut.

model_3_2015 <- lm(
  EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC,
  data = df_2015
)

summary(model_3_2015)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC, data = df_2015)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -74.748  -8.323  10.800  15.974  20.628 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       7.702e+01  2.079e+00  37.044  < 2e-16 ***
## EG.USE.ELEC.KH.PC 1.774e-03  3.099e-04   5.725 4.03e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 23.52 on 188 degrees of freedom
## Multiple R-squared:  0.1485, Adjusted R-squared:  0.1439 
## F-statistic: 32.78 on 1 and 188 DF,  p-value: 4.029e-08

• Amaç: 2015 yılı verileri ile Elektrik Tüketimi (kWh) ve Elektriğe Erişim (%) arasındaki ilişkiyi incelemek.
• Gözlem: Regresyon sonucu, elektrik tüketimi arttıkça elektrik erişiminin de arttığını gösteriyor; pozitif bir ilişki var.
• Yorum: Ülkelerde daha fazla elektrik tüketimi genellikle daha yüksek elektrik erişimi ile ilişkilidir.

p15 <- ggplot(df_2015, aes(x = EG.USE.ELEC.KH.PC, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Regresyon 15: Elektrik Erişimi ~ Elektrik Tüketimi (2015)",
    x = "Kişi Başına Elektrik Tüketimi (kWh)",
    y = "Elektriğe Erişim (%)"
  )
p15

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2015 yılı verileri üzerinden Elektrik Tüketimi ile Elektrik Erişimi arasındaki ilişkiyi görselleştirmek.
• Gözlem: Nokta grafiği ve regresyon eğrisi, elektrik tüketimi arttıkça elektrik erişiminin de yükseldiğini gösteriyor.
• Yorum: Ülkelerde kişi başına elektrik tüketimi yüksek olduğunda, elektrik erişimi oranı da genellikle daha yüksek olur.

model_4_2015 <- lm(
  log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD),
  data = df_2015
)

summary(model_4_2015)

## 
## Call:
## lm(formula = log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD), data = df_2015)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.35856 -0.20248  0.08122  0.24559  0.68687 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          2.25045    0.18571   12.12   <2e-16 ***
## log(NY.GDP.PCAP.KD)  0.24005    0.02106   11.40   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.3828 on 188 degrees of freedom
## Multiple R-squared:  0.4087, Adjusted R-squared:  0.4056 
## F-statistic:   130 on 1 and 188 DF,  p-value: < 2.2e-16

• Amaç: 2015 yılı verilerini kullanarak logaritmik GSYH ile logaritmik elektrik erişimi arasındaki ilişkiyi incelemek.
• Gözlem: Log-log regresyonu, kişi başına GSYH arttıkça elektrik erişiminin de orantılı olarak arttığını gösteriyor.
• Yorum: Ekonomik büyüme (GSYH artışı), elektrik erişim oranını pozitif şekilde etkiliyor; bu ilişki hem büyüklük hem de oransal değişimler açısından değerlendirilebilir.

p16 <- ggplot(df_2015, aes(x = log(NY.GDP.PCAP.KD), y = log(EG.ELC.ACCS.ZS))) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Regresyon 16: Log(Elektrik Erişimi) ~ Log(GSYH) (2015)",
    x = "Log(Kişi Başına GSYH)",
    y = "Log(Elektriğe Erişim)"
  )
p16

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2015 yılı için log-log regresyon grafiği ile ekonomik büyüme (GSYH) ve elektrik erişimi arasındaki orantısal ilişkiyi görselleştirmek.
• Gözlem: Noktalar pozitif eğimli bir doğrusal ilişkiyi gösteriyor; yani GSYH arttıkça elektrik erişimi de artıyor.
• Yorum: Logaritmik dönüşüm, büyüklük farklarını normalize ederek, özellikle büyük ve küçük gelirli ülkeler arasındaki ilişkiyi daha net gösteriyor.

ggsave("regresyon_13_2015.png", plot = p13, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_14_2015.png", plot = p14, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_15_2015.png", plot = p15, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

ggsave("regresyon_16_2015.png", plot = p16, width = 7, height = 5)

## `geom_smooth()` using formula = 'y ~ x'

AKADEMİK YORUM (2015)

Rapor için hazır metin:

2015 yılı için elde edilen sonuçlar, kişi başına gelir düzeyi ile elektriğe erişim arasında pozitif bir ilişki olduğunu doğrulamaktadır. Kişi başına elektrik tüketimi, kişi başına GSYİH ile güçlü bir korelasyon içindedir ve bu da daha gelişmiş ekonomilerde enerji kullanımının yoğunlaştığını göstermektedir.

Elektrik erişimi ile elektrik tüketimi arasındaki ilişki, kalkınma sürecinde enerji altyapısının önemini vurgulamaktadır. Logaritmik modeller, kalkınma düzeyi arttıkça gelirin elektrik erişimine marjinal etkisinin azaldığını göstermektedir.

# Exemple pour model_1_2000
ggplot(df_2000, aes(x = NY.GDP.PCAP.KD, y = EG.ELC.ACCS.ZS)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "blue")

## `geom_smooth()` using formula = 'y ~ x'

• Amaç: 2000 yılı için kişi başına GSYH ile elektrik erişimi arasındaki ilişkiyi görselleştirmek.
• Gözlem: Noktalar pozitif eğimli bir doğrusal ilişkiyi gösteriyor; GSYH arttıkça elektrik erişimi de artıyor.
• Yorum: Bu grafik, ekonomik refah ile temel altyapı hizmetleri arasındaki bağlantıyı görselleştirir ve regresyon çizgisi bu ilişkiyi özetler.

df_2000 <- df %>% filter(year == 2000) %>% select(EG.ELC.ACCS.ZS, EG.USE.ELEC.KH.PC, NY.GDP.PCAP.KD) %>% na.omit()
df_2005 <- df %>% filter(year == 2005) %>% select(EG.ELC.ACCS.ZS, EG.USE.ELEC.KH.PC, NY.GDP.PCAP.KD) %>% na.omit()
df_2010 <- df %>% filter(year == 2010) %>% select(EG.ELC.ACCS.ZS, EG.USE.ELEC.KH.PC, NY.GDP.PCAP.KD) %>% na.omit()
df_2015 <- df %>% filter(year == 2015) %>% select(EG.ELC.ACCS.ZS, EG.USE.ELEC.KH.PC, NY.GDP.PCAP.KD) %>% na.omit()

# 1. Observations par année
nrow(df_2000); nrow(df_2005); nrow(df_2010); nrow(df_2015)

## [1] 189

## [1] 190

## [1] 190

## [1] 190

# 2. Sommaire des modèles
summary(model_1_2000); summary(model_2_2000); summary(model_3_2000); summary(model_4_2000)

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ NY.GDP.PCAP.KD, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -63.369 -18.836   6.281  23.902  32.962 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.599e+01  2.463e+00   26.80  < 2e-16 ***
## NY.GDP.PCAP.KD 8.985e-04  1.273e-04    7.06 3.17e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 27.88 on 187 degrees of freedom
## Multiple R-squared:  0.2104, Adjusted R-squared:  0.2062 
## F-statistic: 49.84 on 1 and 187 DF,  p-value: 3.175e-11

## 
## Call:
## lm(formula = EG.USE.ELEC.KH.PC ~ NY.GDP.PCAP.KD, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -9906.8  -694.7  -412.8   336.9 15496.5 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    587.32245  213.28068   2.754  0.00647 ** 
## NY.GDP.PCAP.KD   0.23274    0.01102  21.114  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2415 on 187 degrees of freedom
## Multiple R-squared:  0.7045, Adjusted R-squared:  0.7029 
## F-statistic: 445.8 on 1 and 187 DF,  p-value: < 2.2e-16

## 
## Call:
## lm(formula = EG.ELC.ACCS.ZS ~ EG.USE.ELEC.KH.PC, data = df_2000)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -62.15 -22.20  10.34  22.73  31.05 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       6.523e+01  2.459e+00  26.531  < 2e-16 ***
## EG.USE.ELEC.KH.PC 3.382e-03  4.535e-04   7.459 3.17e-12 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 27.55 on 187 degrees of freedom
## Multiple R-squared:  0.2293, Adjusted R-squared:  0.2252 
## F-statistic: 55.64 on 1 and 187 DF,  p-value: 3.174e-12

## 
## Call:
## lm(formula = log(EG.ELC.ACCS.ZS) ~ log(NY.GDP.PCAP.KD), data = df_2000)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.32825 -0.29606  0.08405  0.38044  1.20193 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          1.33572    0.23031    5.80 2.79e-08 ***
## log(NY.GDP.PCAP.KD)  0.33853    0.02724   12.43  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.5351 on 187 degrees of freedom
## Multiple R-squared:  0.4524, Adjusted R-squared:  0.4494 
## F-statistic: 154.5 on 1 and 187 DF,  p-value: < 2.2e-16

# 3. Agrégations
aggreg_2000; aggreg_2005; aggreg_2010; aggreg_2015

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD
## 1           189                 75.85121           31.29665
##   Elektrik_Tuketim_Ortalama Elektrik_Tuketim_SD GSYH_Ortalama  GSYH_SD
## 1                  3141.162            4430.744      10973.03 15978.91

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           190                 78.33408           29.43349                 4.8
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      12171.95 17205.04

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           190                 81.09907           27.64055                 6.4
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      12875.65 17489.56

##   Gozlem_Sayisi Elektrik_Erisim_Ortalama Elektrik_Erisim_SD Elektrik_Erisim_Min
## 1           190                 83.81847           25.42574                 4.8
##   Elektrik_Erisim_Max GSYH_Ortalama  GSYH_SD
## 1                 100      13688.69 18148.64

1. Yıl bazlı gözlem sayısı: Her yıl için veri setinde kaç ülke veya gözlem bulunduğunu gösterir; veri kapsamını anlamamızı sağlar.

2. Modellerin özetleri: Farklı regresyon modellerinin katsayıları, anlamlılık düzeyleri ve R-kare değerlerini verir; değişkenler arasındaki ilişkilerin gücünü ve yönünü gösterir.

3. Yıllık özetler (aggregation): Elektrik erişimi ve tüketimi ile GSYH’nin ortalama, standart sapma ve bazı durumlarda min/max değerlerini gösterir; yıllar arasındaki değişimi karşılaştırmamıza yardımcı olur.

Yıl	Model	Bağımlı Değişken	Bağımsız Değişken	Tipi
2000	1	EG.ELC.ACCS.ZS	NY.GDP.PCAP.KD	Doğrusal
2000	2	EG.USE.ELEC.KH.PC	NY.GDP.PCAP.KD	Doğrusal
2000	3	EG.ELC.ACCS.ZS	EG.USE.ELEC.KH.PC	Doğrusal
2000	4	log(EG.ELC.ACCS.ZS)	log(NY.GDP.PCAP.KD)	Logaritmik
2005	5	EG.ELC.ACCS.ZS	NY.GDP.PCAP.KD	Doğrusal
2005	6	EG.USE.ELEC.KH.PC	NY.GDP.PCAP.KD	Doğrusal
2005	7	EG.ELC.ACCS.ZS	EG.USE.ELEC.KH.PC	Doğrusal
2005	8	log(EG.ELC.ACCS.ZS)	log(NY.GDP.PCAP.KD)	Logaritmik
2010	9	EG.ELC.ACCS.ZS	NY.GDP.PCAP.KD	Doğrusal
2010	10	EG.USE.ELEC.KH.PC	NY.GDP.PCAP.KD	Doğrusal
2010	11	EG.ELC.ACCS.ZS	EG.USE.ELEC.KH.PC	Doğrusal
2010	12	log(EG.ELC.ACCS.ZS)	log(NY.GDP.PCAP.KD)	Logaritmik
2015	13	EG.ELC.ACCS.ZS	NY.GDP.PCAP.KD	Doğrusal
2015	14	EG.USE.ELEC.KH.PC	NY.GDP.PCAP.KD	Doğrusal
2015	15	EG.ELC.ACCS.ZS	EG.USE.ELEC.KH.PC	Doğrusal
2015	16	log(EG.ELC.ACCS.ZS)	log(NY.GDP.PCAP.KD)	Logaritmik

Sunu İçin Kısa Açıklama

• Modeller 1, 5, 9, 13 → Elektrik erişimi ile kişi başına gelir arasındaki ilişkiyi inceler.

• Modeller 2, 6, 10, 14 → Elektrik tüketimi ile kişi başına gelir arasındaki ilişkiyi inceler.

• Modeller 3, 7, 11, 15 → Elektrik erişimi ile elektrik tüketimi arasındaki ilişkiyi inceler.

• Modeller 4, 8, 12, 16 → Logaritmik modeller, doğrusal olmayan ilişkileri yakalamak için kullanılır.

• Not: Bu tablo ve açıklama, savunmada hem görsel hem de sözlü olarak sunulabilecek bir özet sağlar.

Sonuç :

1. Elektrik Erişimi ve Kişi Başına Gelir:
   Tüm yıllarda yapılan regresyonlar, kişi başına gelir arttıkça elektriğe erişim oranının da arttığını gösteriyor. Bu durum, enerji altyapısının ekonomik kalkınma ile güçlü bir şekilde ilişkili olduğunu doğrular.

2. Elektrik Tüketimi ve Kişi Başına Gelir:
   Kişi başına elektrik tüketimi ile kişi başına GSYH arasındaki pozitif ilişki, ekonomik büyümenin enerji talebini artırdığını ve üretim süreçlerinin enerjiye bağımlı olduğunu gösteriyor.

3. Elektrik Erişimi ve Elektrik Tüketimi:
   Elektrik altyapısına daha fazla erişimi olan ülkelerde, kişi başına enerji tüketiminin de daha yüksek olduğu görülmektedir. Bu, altyapı yatırımlarının enerji kullanım kapasitesini artırdığına işaret eder.

4. Logaritmik Modeller:
   Kalkınma düzeyi arttıkça, gelirdeki artışın elektrik erişimine marjinal etkisi azalmaktadır. Bu, yüksek gelirli ülkelerde altyapı yatırımlarının getirisinin sınırlı olabileceğini gösterir.

5. Genel Yorum:
   Enerji altyapısı ve elektrik kullanımı, ekonomik kalkınmanın merkezi unsurlarıdır. Ancak artan enerji kullanımı çevresel etkileri de beraberinde getirebilir; bu nedenle sürdürülebilir enerji politikaları önem kazanmaktadır.

Kaynakça:

• Veri Kaynağı:

• World Bank. World Development Indicators [Online]. URL: https://databank.worldbank.org/source/world-development-indicators

• Kullanılan Paketler ve Araçlar:

• R Core Team (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.

• Wickham, H. et al. (2023). dplyr: A Grammar of Data Manipulation. R package version X.X.X.

• RStudio Team (2023). RStudio: Integrated Development Environment for R.

• İlgili Literatür (isteğe bağlı):

• Elektrik altyapısı ve ekonomik kalkınma ilişkisini inceleyen akademik makaleler.

• Enerji tüketimi ve sürdürülebilir kalkınma konularındaki çalışmalar.