Giriş

Bu çalışmada, kişi başına düşen GSYH ile yaşam beklentisi arasındaki ilişkinin yanı sıra, ekonomik istikrar göstergeleri olan işsizlik oranı ve enflasyonun zaman içindeki değişimi de değerlendirilmektedir. World Bank verileri kullanılarak 2000, 2005, 2010, 2015, 2020 ve 2023 yıllarına ait göstergeler analiz edilmiştir. Ekonomik büyüme, refah düzeyinin temel belirleyicilerinden biri olarak kabul edilirken, yaşam beklentisi toplumların sağlık hizmetlerine erişim, beslenme, çevresel koşullar ve genel yaşam kalitesi gibi çok boyutlu faktörlerin bir çıktısıdır. Literatürde yüksek gelir seviyesine sahip ekonomilerde yaşam süresinin daha uzun olma eğiliminde olduğu ileri sürülse de, bu ilişkinin doğrusal olmadığı ve ülkelerin sosyoekonomik tecrübelerine göre farklılık gösterebildiği belirtilmektedir. Benzer şekilde, işsizlik ve enflasyon oranları da ekonomik performans ve toplumsal refah üzerinde belirleyici olup, fiyat istikrarı ve istihdam koşulları halk sağlığı ve yaşam kalitesi üzerinde doğrudan veya dolaylı etkilere sahiptir. Bu kapsamda, söz konusu göstergeler R programlama dili kullanılarak karşılaştırmalı biçimde incelenmiş, ekonomik gelişmenin toplumsal sağlık ve makroekonomik istikrar üzerindeki olası etkileri değerlendirilmeye çalışılmıştır.

Data

1. Veri:
GSYH (NY.GDP.PCAP.CD)
Yaşam beklentisi (SP.DYN.LE00.IN)
Enflasyon (FP.CPI.TOTL.ZG)
İşsizlik (SL.UEM.TOTL.ZS)
2. Ülker: Dünyanın 5 güçlü ekonomisi
3. Yıllar: 2000, 2005, 2010, 2015, 2020, 2023

Grafikler

library(WDI)
library(ggplot2)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.6
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ lubridate 1.9.4     ✔ tibble    3.3.0
## ✔ purrr     1.2.0     ✔ tidyr     1.3.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
countries <- c("USA","CHN","JPN","DEU","IND")

data_5 <- WDI(
    country = countries,
    indicator = c(
        "NY.GDP.PCAP.CD",     
        "SP.DYN.LE00.IN",     
        "FP.CPI.TOTL.ZG",     
        "SL.UEM.TOTL.ZS"      
    ),
    start = 2000, end = 2023
)

data_5_clean <- data_5 %>%
    filter(year %in% c(2000,2005,2010,2015,2020,2023)) %>%
    rename(
        GDP = NY.GDP.PCAP.CD,
        LifeExp = SP.DYN.LE00.IN,
        Inflation = FP.CPI.TOTL.ZG,
        Unemployment = SL.UEM.TOTL.ZS
    )
data_china <- data_5_clean %>% filter ( country == "China" )
#data_china_inflation

ggplot(data_china, aes( x = GDP , y = Inflation)) + geom_point() + geom_smooth( method = "lm", se = FALSE ) + labs(title = "China: Inflation vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_china_LifeExp

ggplot(data_china, aes( x = GDP , y =LifeExp)) + geom_point() + geom_smooth( method = "lm", se = FALSE ) + labs(title = "China: LifeExp vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_china_Unemployment

ggplot(data_china, aes( x = GDP , y =Unemployment)) + geom_point() + geom_smooth( method = "lm", se = FALSE ) + labs(title = "China: Unemployment vs GDP")
## `geom_smooth()` using formula = 'y ~ x'


Grafiklere baktığımızda, kişi başına düşen GSYİH arttıkça yaşam beklentisi ve işsizliğin de arttığını görüyoruz. Ancak bu durum enflasyon için geçerli değil. Enflasyon, kişi başına düşen GSYİH büyümesiyle birlikte dalgalanıyor.

# GDP vs Life Expectancy China
model_life_china <- lm(LifeExp ~ GDP, data = data_china)
summary(model_life_china)
## 
## Call:
## lm(formula = LifeExp ~ GDP, data = data_china)
## 
## Residuals:
##       1       2       3       4       5       6 
## -1.0564  0.3785  0.6843  0.4030  0.3487 -0.7580 
## attr(,"label")
## [1] "Life expectancy at birth, total (years)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 7.291e+01  5.840e-01 124.838 2.47e-08 ***
## GDP         4.479e-04  7.407e-05   6.047  0.00377 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.8041 on 4 degrees of freedom
## Multiple R-squared:  0.9014, Adjusted R-squared:  0.8767 
## F-statistic: 36.56 on 1 and 4 DF,  p-value: 0.003773
coef(model_life_china)
##  (Intercept)          GDP 
## 7.291035e+01 4.478884e-04

Çin Yaşam beklentisi için regresyon:  Y = 7.291035e+01 + 4.478884e-04 * GDP

kişi başı gsyh her bir birim artış için , ortalama 4.478884e-04 birim yaşam beklentisi artışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz yaşam beklentisi 7.291035e+01 olacaktır.

# GDP vs Inflation China
model_inf_china <- lm(Inflation ~ GDP, data = data_china)
summary(model_inf_china)
## 
## Call:
## lm(formula = Inflation ~ GDP, data = data_china)
## 
## Residuals:
##        1        2        3        4        5        6 
## -1.33737  0.10871  1.56927 -0.09236  0.94305 -1.19130 
## attr(,"label")
## [1] "Inflation, consumer prices (annual %)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept)  1.706e+00  9.316e-01   1.831    0.141
## GDP         -2.162e-05  1.181e-04  -0.183    0.864
## 
## Residual standard error: 1.283 on 4 degrees of freedom
## Multiple R-squared:  0.008302,   Adjusted R-squared:  -0.2396 
## F-statistic: 0.03348 on 1 and 4 DF,  p-value: 0.8637
coef(model_inf_china)
##   (Intercept)           GDP 
##  1.706134e+00 -2.161953e-05

Çin Enflasyon için regresyon: Y = 3.877886e+00 + 8.6e-05 * GDP
kişi başı gsyh her bir birim artış için , ortalama 8.6e-05 birim enflasyon artışına sebep olmuş.
eğer değişim miktari sıfır olsa, beklediğimiz enflasyon oranı 3.877e olacaktır.

# GDP vs Unemployment China
model_unemp_china <- lm(Unemployment ~ GDP, data = data_china)
summary(model_unemp_china)
## 
## Call:
## lm(formula = Unemployment ~ GDP, data = data_china)
## 
## Residuals:
##        1        2        3        4        5        6 
## -0.70117  0.48935  0.25429  0.06956  0.20883 -0.32086 
## attr(,"label")
## [1] "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 3.878e+00  3.534e-01  10.972 0.000392 ***
## GDP         8.594e-05  4.483e-05   1.917 0.127693    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4866 on 4 degrees of freedom
## Multiple R-squared:  0.4789, Adjusted R-squared:  0.3486 
## F-statistic: 3.675 on 1 and 4 DF,  p-value: 0.1277
coef(model_unemp_china)
##  (Intercept)          GDP 
## 3.877886e+00 8.593614e-05

Çin İşsizlik regresyon: 3.877886e+00 + 8.593614e-05 * GDP
kişi başı gsyh her bir birim artış için , ortalama 8.593614e-05birim işsizlik artışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz işsizlik 3.877886e+00 olacaktır.

data_germany <- data_5_clean %>%
    filter ( country ==  "Germany" )
#data Germany inflation

ggplot(data_germany, aes( x = GDP , y = Inflation)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "Germany: Inflation vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data Germany LifeExp

ggplot(data_germany, aes( x = GDP , y = LifeExp)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "Germany: LifeExp vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data Germany Unemployment

ggplot(data_germany, aes( x = GDP , y =Unemployment)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "Germany: Unemployment vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

Almanya’nın başlıca ekonomik değişkenlerine ilişkin regresyon grafikleri farklı davranışlar göstermektedir. Kişi başına düşen GSYİH zaman içinde büyüdükçe, yaşam beklentisi ve enflasyon da artmıştır. İstikrarlı ve ekonomik olarak sağlıklı bir Avrupa ülkesi olarak, bu durum negatif bir eğilim ve düşüşünü göstermektedir.

# GDP vs Life Expectancy
model_life_germany <- lm(LifeExp ~ GDP, data = data_germany)
summary(model_life_germany)
## 
## Call:
## lm(formula = LifeExp ~ GDP, data = data_germany)
## 
## Residuals:
##         1         2         3         4         5         6 
## -0.208717 -0.326494 -0.006104  0.694561  0.544720 -0.697966 
## attr(,"label")
## [1] "Life expectancy at birth, total (years)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 7.573e+01  1.057e+00  71.627 2.28e-07 ***
## GDP         1.006e-04  2.515e-05   4.001   0.0161 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.5951 on 4 degrees of freedom
## Multiple R-squared:  0.8001, Adjusted R-squared:  0.7501 
## F-statistic: 16.01 on 1 and 4 DF,  p-value: 0.01612
coef(model_life_germany)
##  (Intercept)          GDP 
## 7.572839e+01 1.006091e-04

Almanya yaşam beklentisi regresyonu: 7.5772839e+01 + 1.006091e-04 * GDP

kişi başı gsyh her bir birim artış için , ortalama 1.006091e-04 birim yaşam beklentisi artışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz yaşam beklentisi 7.5772839e+01 olacaktır.

# GDP vs Inflation Germany
model_inf_germany <- lm(Inflation ~ GDP, data = data_germany)
summary(model_inf_germany)
## 
## Call:
## lm(formula = Inflation ~ GDP, data = data_germany)
## 
## Residuals:
##       1       2       3       4       5       6 
##  1.2355  0.3059 -0.8163 -1.3623 -2.2394  2.8767 
## attr(,"label")
## [1] "Inflation, consumer prices (annual %)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.017e+00  3.709e+00  -0.544    0.615
## GDP          9.286e-05  8.822e-05   1.053    0.352
## 
## Residual standard error: 2.088 on 4 degrees of freedom
## Multiple R-squared:  0.2169, Adjusted R-squared:  0.02117 
## F-statistic: 1.108 on 1 and 4 DF,  p-value: 0.3519
coef(model_inf_germany)
##   (Intercept)           GDP 
## -2.017053e+00  9.286454e-05

Almanya enflasyon regresyonu: -2.017053e+00 + 9.286454e-05 * GDP

kişi başı gsyh her bir birim artış için , ortalama 9.286454e-05 birim enflasyon artışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz enflasyon -2.017053e+00 olacaktır.

# GDP vs Unemployment Germany
model_unemp_germany <- lm(Unemployment ~ GDP, data = data_germany)
summary(model_unemp_germany)
## 
## Call:
## lm(formula = Unemployment ~ GDP, data = data_germany)
## 
## Residuals:
##      1      2      3      4      5      6 
## -1.922  3.688  1.067 -1.462 -1.050 -0.320 
## attr(,"label")
## [1] "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept)  1.484e+01  4.145e+00   3.581   0.0232 *
## GDP         -2.091e-04  9.859e-05  -2.121   0.1012  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.333 on 4 degrees of freedom
## Multiple R-squared:  0.5293, Adjusted R-squared:  0.4116 
## F-statistic: 4.498 on 1 and 4 DF,  p-value: 0.1012
coef(model_unemp_germany)
##   (Intercept)           GDP 
## 14.8412139948 -0.0002090895

Almanya işsizlik regresyonu: 14.8412139948 – 0.0002090895 * GDP

kişi başı gsyh her bir birim artış için , ortalama 0.0002090895 birim işsizlik azalışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz işsizlik 14.8412139948 olacaktır.

data_india <- data_5_clean %>%
    filter ( country ==  "India" )
#data_India_inflation

ggplot(data_india, aes( x = GDP , y = Inflation)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "India: Inflation vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_india_LifeExp

ggplot(data_india, aes( x = GDP , y = LifeExp)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "india: LifeExp vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_India_Unemployment

ggplot(data_india, aes( x = GDP , y =Unemployment)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "India: Unemployment vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

Hindistan’dan gelen grafikler çoğunlukla ani değişiklikleri gösteriyor. Kişi başına düşen GSYİH zamanla artarken, yaşam beklentisi ve enflasyon yükseliş trendi ve pozitif regresyon yaşadı. Bu arada, işsizlikteki regresyon ani bir değişimle negatif olarak görülüyor. ve %4’ün biraz üzerine düşüyor.

# GDP vs Life Expectancy India
model_life_india <- lm(LifeExp ~ GDP, data = data_india)
summary(model_life_india)
## 
## Call:
## lm(formula = LifeExp ~ GDP, data = data_india)
## 
## Residuals:
##       1       2       3       4       5       6 
## -0.6553  0.3521 -0.2389  0.8805  0.2835 -0.6219 
## attr(,"label")
## [1] "Life expectancy at birth, total (years)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 6.145e+01  6.268e-01   98.04 6.49e-08 ***
## GDP         4.417e-03  3.956e-04   11.17 0.000366 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.6806 on 4 degrees of freedom
## Multiple R-squared:  0.9689, Adjusted R-squared:  0.9612 
## F-statistic: 124.7 on 1 and 4 DF,  p-value: 0.000366
coef(model_life_india)
##  (Intercept)          GDP 
## 61.448477377  0.004417331

Hindistan yaşam beklentisi regresyonu: 61.448477377 + 0.004417331 * GDP

kişi başı gsyh her bir birim artış için , ortalama 0.004417331 birim yaşam beklentisi artışa sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 61.448477377 olacaktır.

# GDP vs Inflation India
model_inf_india <- lm(Inflation ~ GDP, data = data_india)
summary(model_inf_india)
## 
## Call:
## lm(formula = Inflation ~ GDP, data = data_india)
## 
## Residuals:
##        1        2        3        4        5        6 
## -1.40576 -1.39406  5.81317 -1.46815 -0.02341 -1.52179 
## attr(,"label")
## [1] "Inflation, consumer prices (annual %)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.0427947  2.9907729   1.686    0.167
## GDP         0.0008411  0.0018875   0.446    0.679
## 
## Residual standard error: 3.247 on 4 degrees of freedom
## Multiple R-squared:  0.0473, Adjusted R-squared:  -0.1909 
## F-statistic: 0.1986 on 1 and 4 DF,  p-value: 0.6789
coef(model_inf_india)
##  (Intercept)          GDP 
## 5.0427947273 0.0008411198

Hindistan enflasyon regresyonu: 5.0427947273 + 0.0008411198 * GDP

kişi başı gsyh her bir birim artış için , ortalama 0.0008411198 birim enflasyon artışa sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 5.0427947273 olacaktır.

# GDP vs Unemployment India
model_unemp_india <- lm(Unemployment ~ GDP, data = data_india)
summary(model_unemp_india)
## 
## Call:
## lm(formula = Unemployment ~ GDP, data = data_india)
## 
## Residuals:
##       1       2       3       4       5       6 
## -0.6685 -0.4089  0.4802  0.7521  1.3802 -1.5351 
## attr(,"label")
## [1] "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)   
## (Intercept)  8.8408721  1.0966262   8.062  0.00129 **
## GDP         -0.0012386  0.0006921  -1.790  0.14801   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.191 on 4 degrees of freedom
## Multiple R-squared:  0.4447, Adjusted R-squared:  0.3058 
## F-statistic: 3.203 on 1 and 4 DF,  p-value: 0.148
coef(model_unemp_india)
##  (Intercept)          GDP 
##  8.840872124 -0.001238598

Hindistan işsizlik regresyonu: 8.840872124 – 0.001238598 * GDP

kişi başı gsyh her bir birim artış için , ortalama 0.001238598 birim işsizlik azalışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 8.840872124 olacaktır.

data_japan <- data_5_clean %>%
    filter ( country ==  "Japan" )
#data_Japan_inflation

ggplot(data_japan, aes( x = GDP , y = Inflation)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "Japan: Inflation vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_Japan_LifeExp

ggplot(data_japan, aes( x = GDP , y = LifeExp)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "Japan: LifeExp vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_Japan_Unemployment

ggplot(data_japan, aes( x = GDP , y =Unemployment)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "Japan: Unemployment vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

Japonya’nın kendine özgü kültürü ve güçlü ekonomisi göz önüne alındığında, regresyon modelleri biraz farklılık gösteriyor. Kişi başına düşen GSYİH 40.000 dolar civarında dalgalanırken, enflasyon %0’ın altında kaldı ve yaşam beklentisi kademeli olarak azaldı ve regresyonları negatif oldu. İşsizlik rakamları da dalgalanmalar gösterdi, ancak genel olarak regresyoni pozitiftir.

# GDP vs Life Expectancy
model_life_japan <- lm(LifeExp ~ GDP, data = data_japan)
summary(model_life_japan)
## 
## Call:
## lm(formula = LifeExp ~ GDP, data = data_japan)
## 
## Residuals:
##       1       2       3       4       5       6 
## -1.9077 -1.1459  0.3600  0.4464  1.6505  0.5966 
## attr(,"label")
## [1] "Life expectancy at birth, total (years)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  8.637e+01  6.270e+00  13.775 0.000161 ***
## GDP         -8.642e-05  1.623e-04  -0.532 0.622591    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.446 on 4 degrees of freedom
## Multiple R-squared:  0.06619,    Adjusted R-squared:  -0.1673 
## F-statistic: 0.2835 on 1 and 4 DF,  p-value: 0.6226
coef(model_life_japan)
##   (Intercept)           GDP 
##  8.636870e+01 -8.641799e-05

Japonya yaşam beklentisi regresyonu: 8.636870e+01 – 8.641799e-05* GDP

kişi başı gsyh her bir birim artış için , ortalama 0.8.641799e-05 birim azalışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 8.8.636870e+01 olacaktır.

# GDP vs Inflation
model_inf_japan <- lm(Inflation ~ GDP, data = data_japan)
summary(model_inf_japan)
## 
## Call:
## lm(formula = Inflation ~ GDP, data = data_japan)
## 
## Residuals:
##        1        2        3        4        5        6 
## -0.86376 -0.86283  0.76333 -0.61034  0.03661  1.53698 
## attr(,"label")
## [1] "Inflation, consumer prices (annual %)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept) 11.5267823  4.7552765   2.424   0.0724 .
## GDP         -0.0002895  0.0001231  -2.352   0.0783 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.097 on 4 degrees of freedom
## Multiple R-squared:  0.5804, Adjusted R-squared:  0.4755 
## F-statistic: 5.532 on 1 and 4 DF,  p-value: 0.07834
coef(model_inf_japan)
##   (Intercept)           GDP 
## 11.5267822890 -0.0002895017

Japonya enflasyon regresyonu: 11.5267822890 – 0.0002895017 * GDP

kişi başı gsyh her bir birim artış için , ortalama 0.0002895017 birim enflasyon azalışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 11.526782290 olacaktır.

# GDP vs Unemployment
model_unemp_japan <- lm(Unemployment ~ GDP, data = data_japan)
summary(model_unemp_japan)
## 
## Call:
## lm(formula = Unemployment ~ GDP, data = data_japan)
## 
## Residuals:
##        1        2        3        4        5        6 
##  0.77346  0.71371  0.09186  0.16209 -1.31902 -0.42210 
## attr(,"label")
## [1] "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.021e+00  3.793e+00  -0.796    0.470
## GDP          1.786e-04  9.818e-05   1.819    0.143
## 
## Residual standard error: 0.8747 on 4 degrees of freedom
## Multiple R-squared:  0.4527, Adjusted R-squared:  0.3159 
## F-statistic: 3.308 on 1 and 4 DF,  p-value: 0.1431
coef(model_unemp_japan)
##   (Intercept)           GDP 
## -3.0206394163  0.0001785881

Japonya işsizlik regresyonu: -3.0206394163 + 0.0001785881 * GDP

kişi başı gsyh her bir birim artış için , ortalama 0.0001785881 birim işsizlik artışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer -3.0206394163 olacaktır.

data_us <- data_5_clean %>%
    filter ( country ==  "United States" )
#data_US_inflation

ggplot(data_us, aes( x = GDP , y = Inflation)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "US: Inflation vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_US_LifeExp

ggplot(data_us, aes( x = GDP , y = LifeExp)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "US: LifeExp vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

#data_US_Unemployment

ggplot(data_us, aes( x = GDP , y =Unemployment)) +
    geom_point() +
    geom_smooth( method = "lm", se = FALSE ) +
    labs(title = "US: Unemployment vs GDP")
## `geom_smooth()` using formula = 'y ~ x'

Grafikler, enflasyon noktaları çok dağınık olmasına ragmen, zayıf ama pozitif bir regresyon var. yaşam beklentisi de tıbkı enflasyon gibi, kişi başı GSYH artıkça artmış ve pozitif regresyonu var. İşsizlik grafiği dalgalanmalar göstermesine ragmen, negatif bir regresyon gösteriyor.

# GDP vs Life Expectancy
model_life_us <- lm(LifeExp ~ GDP, data = data_us)
summary(model_life_us)
## 
## Call:
## lm(formula = LifeExp ~ GDP, data = data_us)
## 
## Residuals:
##        1        2        3        4        5        6 
## -0.70403 -0.03878  0.90704  0.86658 -1.00885 -0.02195 
## attr(,"label")
## [1] "Life expectancy at birth, total (years)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 7.647e+01  1.409e+00  54.275  6.9e-07 ***
## GDP         2.386e-05  2.476e-05   0.964     0.39    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.8788 on 4 degrees of freedom
## Multiple R-squared:  0.1885, Adjusted R-squared:  -0.01441 
## F-statistic: 0.929 on 1 and 4 DF,  p-value: 0.3897
coef(model_life_us)
##  (Intercept)          GDP 
## 7.647370e+01 2.386233e-05

ABD yaşam beklentisi regresyonu: 7.647370e+01 + 2.386233e-05 * GDP

kişi başı gsyh her bir birim artış için , ortalama 2.386233e-05 birim artışına sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 7.647370e+01 olacaktır.

# GDP vs Inflation
model_inf_us <- lm(Inflation ~ GDP, data = data_us)
summary(model_inf_us)
## 
## Call:
## lm(formula = Inflation ~ GDP, data = data_us)
## 
## Residuals:
##       1       2       3       4       5       6 
##  1.1674  1.1401 -0.6376 -2.2029 -1.1264  1.6594 
## attr(,"label")
## [1] "Inflation, consumer prices (annual %)"
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.008e+00  2.771e+00   0.725    0.509
## GDP         5.534e-06  4.868e-05   0.114    0.915
## 
## Residual standard error: 1.728 on 4 degrees of freedom
## Multiple R-squared:  0.003221,   Adjusted R-squared:  -0.246 
## F-statistic: 0.01292 on 1 and 4 DF,  p-value: 0.915
coef(model_inf_us)
##  (Intercept)          GDP 
## 2.008437e+00 5.534466e-06

ABD enflasyon regresyonu: 2.008437e+00 + 5.53466e-06 * GDP

kişi başı gsyh her bir birim artış için , ortalama 5.53466e-06 birim enflasyon artışına sebep olmuş. eğer değişim miktari sıfır olsa, enflasyon 2.008437e+00 olacaktır.

# GDP vs Unemployment
model_unemp_us <- lm(Unemployment ~ GDP, data = data_us)
summary(model_unemp_us)
## 
## Call:
## lm(formula = Unemployment ~ GDP, data = data_us)
## 
## Residuals:
##       1       2       3       4       5       6 
## -2.2631 -1.0427  3.5807 -0.6417  2.2477 -1.8808 
## attr(,"label")
## [1] "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept)  6.854e+00  4.244e+00   1.615    0.182
## GDP         -1.647e-05  7.458e-05  -0.221    0.836
## 
## Residual standard error: 2.647 on 4 degrees of freedom
## Multiple R-squared:  0.01205,    Adjusted R-squared:  -0.2349 
## F-statistic: 0.04878 on 1 and 4 DF,  p-value: 0.836
coef(model_unemp_us)
##   (Intercept)           GDP 
##  6.853511e+00 -1.647117e-05

ABD işsizlik regresyonu: 6.853511e+00 – 1.647117e-05 * GDP

kişi başı gsyh her bir birim artış için , ortalama 1.647117e-05 birim işsizlik azalışa sebep olmuş. eğer değişim miktari sıfır olsa, beklediğimiz değer 6.853511e+00 olacaktır.


Sonuç

1- Yaşam beklentisi:

Ülke Regresyon katsayısı Yorum
Çin 4.478884e-04 GDP artışı yaşam süresini pozitif etkiliyor.
Almanya 1.006091e-04 Etki pozitif fakat düşük seviyede.
Hindistan 0.004417331 En güçlü pozitif ilişki → gelişmekte ülke etkisi belirgin.
Japonya -8.641799e-05 GDP yükselse de yaşam beklentisi çok az düşüyor, doygun toplum etkisi olabilir.
ABD 2.386233e-05 Pozitif fakat oldukça düşük etki.

Gelişmekte olan ekonomilerde (özellikle Hindistan) GSYH artışı yaşam beklentisine daha güçlü katkı sağlar. Gelişmiş ekonomilerde yaşam süresi zaten yüksek olduğundan GDP etkisi sınırlı veya doygunluk nedeniyle zayıftır. (Japonya örneği dikkat çekici)


2- İşsizlik:

Ülke Regresyon katsayısı Yorum
Çin 8.593614e-05 Çok zayıf pozitif → GDP artışı işsizliği hafif artırmış görünüyor.
Almanya -0.0002090895 Negatif ve belirgin -> ekonomi büyüdükçe işsizlik azalıyor
Hindistan -0.001238598 En güçlü negatif etki → büyüme istihdamı ciddi artırıyor.
Japonya 0.0001785881 İlginç şekilde pozitif → yaşlanma nüfusu etkisi olabilir
ABD -1.647117e-05 Negatif ama etkisi zayıf

Hindistan ve Almanya’da GDP artışı işsizliği düşürüyor → büyüme istihdam yaratıyor.
Japonya ve Çin’de GDP artışı işsizliği azaltmıyor, yapısal işgücü dinamikleri etkili olabilir.
ABD’de ilişki zayıf ama yön GDP büyüdükçe işsizliğin azaldığını işaret ediyor.

3- Enflasyon:

Ülke Regresyon katsayısı Yorum
Çin 8.6e-05 GDP artışı enflasyonla pozitif ilişkili
Almanya 9.286454e-05 Pozitif ilişki hafif
Hindistan 0.0008411198 En yüksek pozitif ilişki
Japonya -0.0002895017  GDP artışı enflasyonu düşürebiliyor → deflasyon riskine paralel.
ABD 5.53466e-06 ilişkisi pozitif

Hindistan ve Çin gibi gelişmekte olan ülkelerde GDP artışı harcama baskısı yaratarak enflasyonu yükseltebilir. Japonya’da negatif ilişki, uzun yıllardır süren düşük enflasyon/deflasyon yapısıyla uyumlu. ABD ve Almanya’da pozitif ama düşük etki → fiyatlar büyümeye duyarlı ancak sınırlı.

Bu çalışma sonucunda elde edilen regresyon modelleri, kişi başına GSYH ile yaşam beklentisi, işsizlik ve enflasyon arasındaki ilişkilerin ülkelerin gelişmişlik düzeyine göre önemli farklılıklar gösterdiğini ortaya koymaktadır. Hindistan ve kısmen Çin gibi gelişmekte olan ekonomilerde gelir artışının yaşam süresi üzerinde daha güçlü pozitif etki yarattığı, buna karşın gelişmiş ekonomilerde (ABD, Almanya, Japonya) bu etkinin zayıfladığı görülmektedir. İşsizlik açısından GSYH büyümesi Almanya ve Hindistan’da istihdamı artırırken, Japonya ve Çin’de işsizlik oranı büyüme ile düşmeyip hatta hafif artış göstermektedir. Enflasyon tarafında ise Hindistan en dikkat çekici örnektir; büyüme fiyatlar üzerinde belirgin baskı yaratmaktadır. Japonya’da ise deflasyon eğilimleri nedeniyle GDP ile enflasyon arasında negatif ilişki görülmektedir.

Sonuç olarak, GSYH artışı her ülke için aynı sosyo-ekonomik çıktıları üretmemekte, ekonomik yapı, kalkınma seviyesi ve demografik özellikler ilişkilerin yön ve gücünü belirlemektedir.

Bu çalışma değerli sonuçlar sunsa da bazı kısıtlar taşımaktadır. İlk olarak analiz yalnızca 5 ülke ve 6 yıl ile sınırlıdır, bu nedenle genellenebilirliği düşüktür. Veriler Dünya Bankası’ndan alınmış olsa da bazı yıllarda eksik veya güncellenmiş kayıtlar sonuçları etkileyebilir. Uygulanan regresyonlar sadece doğrusal ilişkiyi temel almaktadır ve değişkenler arasındaki gerçek ilişki doğrusal olmayabilir. Ayrıca yaşam beklentisi, işsizlik ve enflasyon yalnızca GSYH’den değil birçok sosyal ve politik faktörden etkilenir, bu nedenle elde edilen bulgular korelasyon düzeyindedir, nedensellik iddiası taşımaz.


Değişkenlerin Ortalama Karşılaştırmaları

library(dplyr)

mean_data <- data_5_clean %>%
    group_by(country) %>%
    summarise(
        mean_GDP = mean(GDP, na.rm = TRUE),
        mean_LifeExp = mean(LifeExp, na.rm = TRUE),
        mean_Inflation = mean(Inflation, na.rm = TRUE),
        mean_Unemployment = mean(Unemployment, na.rm = TRUE)
    )


# GDP karşılaştırma

ggplot(mean_data, aes(x = country, y = mean_GDP, fill = country)) +
    geom_bar(stat="identity") +
    labs(title="Ülkelere Göre Ortalama kişi başına düşen GSYH",
         x="Ülke", y="Ortalama kişi başına düşen GSYH GSYH") +
    theme_minimal()


# Yaşam beklentisi karşılaştırma

ggplot(mean_data, aes(x = country, y = mean_LifeExp, fill = country)) +
    geom_bar(stat="identity") +
    labs(title="Ülkelere Göre Ortalama Yaşam Beklentisi",
         x="Ülke", y="Yaşam Beklentisi (Yıl)") +
    theme_minimal()


# Enflasyon karşılaştırması

ggplot(mean_data, aes(x = country, y = mean_Inflation, fill = country)) +
    geom_bar(stat="identity") +
    labs(title="Ülkelere Göre Ortalama Enflasyon",
         x="Ülke", y="Enflasyon (%)") +
    theme_minimal()


# işsizlik karşılaştırması

ggplot(mean_data, aes(x = country, y = mean_Unemployment, fill = country)) +
    geom_bar(stat="identity") +
    labs(title="Ülkelere Göre Ortalama İşsizlik Oranı",
         x="Ülke", y="İşsizlik (%)") +
    theme_minimal()