ekonometri ödevi
emre ozben
Enflasyonla, İşsizlik,GDP arasındaki İlişkşiler
Enflasyon, ekonomide genel fiyat düzeyinin zaman içinde sürekli artmasıdır. Bu durumda paranın satın alma gücü düşer; yani aynı parayla daha az mal ve hizmet alınır.
Enflasyon Nasıl Ölçülür?
En yaygın ölçüm:
Tüketici Fiyat Endeksi (TÜFE / CPI)
Formül (basit haliyle): \(enflasyon oranı = (Cari yılın TÜFE - Önceki yılın TÜFE) / Önceki yılın TÜFE * 100\)
İşsizlik, çalışmak isteyen, çalışabilecek durumda olan ve aktif olarak iş arayan kişilerin iş bulamaması durumudur. Uluslararası standartlara göre (ILO):
Bir kişi işsiz sayılabilmesi için:
1)Çalışabilir yaşta olması
2)Bir işi olmaması
3)Çalışmaya hazır olması
4)Aktif olarak iş arıyor olması gerekir
İş aramayanlar (öğrenciler, ev kadınları, umudunu kaybedenler) işsiz sayılmaz.
\(işsizlik oranı = (İşsiz sayısı / İşgücü) * 100\)
ve gdp ile ilişkerini inceleyeceğiz
if (!require("WDI")) install.packages("WDI")## Zorunlu paket yükleniyor: WDIif (!require("tidyverse")) install.packages("tidyverse")## Zorunlu paket yükleniyor: tidyverse## Warning: package 'ggplot2' was built under R version 4.4.3## Warning: package 'dplyr' was built under R version 4.4.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 4.0.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4## ── 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 errorsif (!require("corrplot")) install.packages("corrplot")## Zorunlu paket yükleniyor: corrplot## Warning: package 'corrplot' was built under R version 4.4.3## corrplot 0.95 loadedif (!require("scales")) install.packages("scales")## Zorunlu paket yükleniyor: scales## Warning: package 'scales' was built under R version 4.4.3##
## Attaching package: 'scales'
##
## The following object is masked from 'package:purrr':
##
## discard
##
## The following object is masked from 'package:readr':
##
## col_factorlibrary(WDI)
library(tidyverse)
library(corrplot)
library(scales)İndikatörleri WDI paketini kullanarak 2000-2022 yılları arasında Türkiye için çekelim:
indicators <- c(
Issizlik = "SL.UEM.TOTL.NE.ZS",
Enflasyon = "NY.GDP.DEFL.KD.ZG",
GSYH = "NY.GDP.MKTP.CD"
)df <- WDI(country = "TR",
indicator = indicators,
start = 2000,
end = 2024,
extra = FALSE)Datamızı düzenleyip eksik verileri çıkaralım:
df_clean <- df %>%
na.omit() %>% # Eksik verileri çıkar
arrange(year) # Yıla göre sıralaveri setimizi kontrol edelim.
print(head(df_clean))## country iso2c iso3c year Issizlik Enflasyon GSYH
## 1 Turkiye TR TUR 2000 6.488 49.373158 274748463179
## 2 Turkiye TR TUR 2001 8.373 52.591144 202195080239
## 3 Turkiye TR TUR 2002 10.345 37.592123 240778008474
## 4 Turkiye TR TUR 2003 10.546 23.288392 315392899922
## 5 Turkiye TR TUR 2004 10.831 12.364982 410156784496
## 6 Turkiye TR TUR 2005 10.634 7.052675 508314210213df_long <- df_clean %>%
select(year, Issizlik, Enflasyon, GSYH) %>%
pivot_longer(cols = -year, names_to = "Gosterge", values_to = "Deger")ggplot(df_long, aes(x = year, y = Deger, color = Gosterge)) +
geom_line(size = 1.2) +
geom_point() +
facet_wrap(~Gosterge, scales = "free_y", ncol = 1) + # Eksenleri serbest bırak
labs(title = "Türkiye: İşsizlik, Enflasyon ve GSYH (2000-2024)",
subtitle = "Kaynak: Dünya Bankası (WDI)",
x = "Yıl", y = "Değer") +
theme_minimal() +
scale_y_continuous(labels = label_number(scale_cut = cut_short_scale())) + # Büyük sayıları kısalt (M, B)
theme(legend.position = "none")## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Verimizi grafik üzerinde gösterdik.
şimdi enflasyon ve işsizlik arasındaki ilişkiyi incelicez (Phillips Eğrisi Mantığı) ¨
ggplot(df_clean, aes(x = Issizlik, y = Enflasyon)) +
geom_point(color = "darkred", size = 3) +
geom_smooth(method = "lm", se = TRUE, color = "blue") + # Regresyon doğrusu ekle
labs(title = "İşsizlik ve Enflasyon İlişkisi",
x = "İşsizlik Oranı (%)",
y = "Enflasyon (GSYH Deflatoru, %)") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Phillips eğrisi mantığına göre işsizlik ve enflasyon arasında ters yönlü bir ilişki vardır.
şimdi korelasyon matrisine bakalım.değişkenler arasındaki ilişkiyi inceleyelim:
cor_data <- df_clean %>% select(Issizlik, Enflasyon, GSYH)
M <- cor(cor_data)korelasyonun grafiğini çizelim:
corrplot(M, method = "number", type = "upper", tl.col = "black", tl.srt = 45,
title = "Makroekonomik Değişkenler Korelasyonu", mar=c(0,0,2,0))
Yukarıdaki korelasyon matrisi, işsizlik, enflasyon ve GSYH arasındaki
ilişkileri göstermektedir.
İşsizlik ve Enflasyon arasında negatif bir korelasyon vardır, bu da Phillips eğrisinin varsayımlarını destekler.
GSYH ile işsizlik ve enflasyon arasında zayıf korelasyonlar gözlemlenmektedir.
Sonuç olarak, Türkiye ekonomisinde işsizlik ve enflasyon arasında Phillips eğrisi mantığına uygun bir ilişki gözlemlenmiştir. Ancak, bu ilişkilerin zaman içinde değişebileceği ve diğer makroekonomik faktörlerin de etkili olabileceği unutulmamalıdır.
şimdii değişkenler arasındaki ilişkileri daha detaylı inceleyelim:
library(GGally)## Warning: package 'GGally' was built under R version 4.4.3ggpairs(cor_data,
title = "Makroekonomik Değişkenler Arasındaki İlişkiler",
upper = list(continuous = wrap("cor", size = 4)),
lower = list(continuous = wrap("points", alpha = 0.5, size=1.5))) +
theme_minimal()
Bu grafik, işsizlik, enflasyon ve GSYH arasındaki ilişkileri daha
detaylı bir şekilde incelememizi sağlar. Her bir değişken çifti için
dağılım grafikleri ve korelasyon katsayıları gösterilmektedir. Bu sayede
değişkenler arasındaki ilişkilerin doğası hakkında daha derinlemesine
bilgi edinebiliriz.
şimdi de regresyon analizi yapalım:
model <- lm(Enflasyon ~ Issizlik + GSYH, data = df_clean)
summary(model)##
## Call:
## lm(formula = Enflasyon ~ Issizlik + GSYH, data = df_clean)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.634 -14.227 -5.667 10.168 69.690
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.038e+01 3.171e+01 2.535 0.0189 *
## Issizlik -6.149e+00 2.854e+00 -2.154 0.0424 *
## GSYH 1.037e-11 1.646e-11 0.630 0.5352
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 22.62 on 22 degrees of freedom
## Multiple R-squared: 0.1801, Adjusted R-squared: 0.1056
## F-statistic: 2.417 on 2 and 22 DF, p-value: 0.1125Bu regresyon analizi, enflasyonun işsizlik ve GSYH üzerindeki etkisini incelememizi sağlar. Modelin özet çıktısı, her bir bağımsız değişkenin enflasyon üzerindeki etkisini ve modelin genel uyumunu gösterir. Bu sonuçlar, makroekonomik politika yapıcıları için önemli bilgiler sunabilir.
şimdi sonuçları yorumlayalım:
Regresyon sonuçlarına göre, işsizlik oranının enflasyon üzerinde anlamlı bir etkisi olduğu görülmektedir. İşsizlik arttıkça enflasyonun azaldığı negatif bir ilişki gözlemlenmiştir. Bu durum, Phillips eğrisi teorisi ile uyumludur.
GSYH’nin enflasyon üzerindeki etkisi ise daha zayıf ve istatistiksel olarak anlamlı değildir. Bu, GSYH’nin enflasyon üzerindeki etkisinin diğer faktörlerle birlikte değerlendirilmesi gerektiğini göstermektedir.
Sonuç olarak, Türkiye ekonomisinde işsizlik ve enflasyon arasında Phillips eğrisi mantığına uygun bir ilişki gözlemlenmiştir. Ancak, bu ilişkilerin zaman içinde değişebileceği ve diğer makroekonomik faktörlerin de etkili olabileceği unutulmamalıdır.
şimdi de tahmin yapalım:
new_data <- data.frame(
Issizlik = c(10, 12, 14), # Yeni işsizlik oranları
GSYH = c(800000000000, 850000000000, 900000000000) # Yeni GSYH değerleri
)predictions <- predict(model, newdata = new_data, interval = "confidence")
predictions_df <- as.data.frame(predictions)
predictions_df## fit lwr upr
## 1 27.184637 16.893962 37.47531
## 2 15.405182 2.259183 28.55118
## 3 3.625728 -19.146849 26.39830Bu tahminler, belirli işsizlik oranları ve GSYH değerleri için enflasyon oranlarını öngörmemizi sağlar. Tahmin sonuçları, modelin güven aralıkları ile birlikte sunulmuştur, bu da tahminlerin ne kadar güvenilir olduğunu gösterir. Bu bilgiler, ekonomik politika yapıcıları için gelecekteki enflasyon trendlerini değerlendirmede faydalı olabilir.
şimdi sonuçları özetleyelim:
Bu analizde, Türkiye ekonomisinde işsizlik, enflasyon ve GSYH arasındaki ilişkiler incelenmiştir. Phillips eğrisi teorisi doğrultusunda, işsizlik ve enflasyon arasında negatif bir ilişki gözlemlenmiştir. Regresyon analizi sonuçları, işsizlik oranının enflasyon üzerinde anlamlı bir etkisi olduğunu göstermiştir. GSYH’nin etkisi ise daha zayıf bulunmuştur. Tahminler, belirli işsizlik ve GSYH değerleri için enflasyon oranlarını öngörmemizi sağlamıştır. Bu bulgular, ekonomik politika yapıcıları için önemli bilgiler sunmakta ve gelecekteki enflasyon trendlerini değerlendirmede faydalı olabilir. Ancak, bu ilişkilerin zaman içinde değişebileceği ve diğer makroekonomik faktörlerin de etkili olabileceği unutulmamalıdır.
Teşekkürler..