COCUK SAGLIGI VE OLUM ORANLARININ EKONOMIK ETKILERI

library(WDI)

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
## ✔ ggplot2   4.0.1     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.2
## ✔ purrr     1.2.0     
## ── 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

library(broom)
library(dplyr)
library(knitr)

library(ggplot2)

Çocuk Sağlığını ve Ölüm Oranını Etkileyen Faktörler Nelerdir ?

Çocuk sağlığı ve özellikle 5 yaş altı ölüm oranı; sağlık hizmetlerine erişim düzeyi, aşılama oranları, anne sağlığı ve anne eğitim seviyesi, kişi başına düşen gelir ve sağlık harcamaları gibi sosyo-ekonomik faktörlerden önemli ölçüde etkilenmektedir. Bunun yanı sıra temiz içme suyuna ve sanitasyon hizmetlerine erişim, yeterli beslenme koşulları ve sağlıklı yaşam çevresi çocuk ölümlerini azaltmada kritik rol oynamaktadır. Yoksulluk, düşük eğitim düzeyi ve sağlık altyapısının yetersiz olduğu ülkelerde çocuk ölüm oranlarının daha yüksek olduğu görülmektedir.

ÇocukSağlığını ve Ölüm Oranını Etkileyen Faktörlerin Analizleri

U5MR it = β0 + β1 CHEPC it + β2 MMR it + β3 WATER it + β4 IMM it + β5 EDU it + ε it

Bağımlı Değişken (1)

5 Yaş Altı Ölüm Oranı (Under-5 Mortality Rate)

WDI Adı: Mortality rate, under-5 (per 1,000 live births)

WDI Kodu: SH.DYN.MORT

Bağımsız Değişkenler (5)

1️⃣ Kişi Başına Düşen Sağlık Harcaması

WDI Adı: Current health expenditure per capita (current US$)

WDI Kodu: SH.XPD.CHEX.PC.CD

2️⃣ Anne Ölüm Oranı

WDI Adı: Maternal mortality ratio (modeled estimate, per 100,000 live births)

WDI Kodu: SH.STA.MMRT

3️⃣ Temel İçme Suyuna Erişim Oranı

WDI Adı: People using at least basic drinking water services (% of population)

WDI Kodu: SH.H2O.BASW.ZS

4️⃣ Aşılama Oranı (Kızamık)

WDI Adı: Immunization, measles (% of children ages 12–23 months)

WDI Kodu: SH.IMM.MEAS

5️⃣ İlköğretimde Net Okullaşma Oranı

WDI Adı: School enrollment, primary (% net)

WDI Kodu: SE.PRM.NENR

U5MR it - β1 CHEPC it Oranı

1️⃣ Kişi Başına Düşen Sağlık Harcaması

WDI Adı: Current health expenditure per capita (current US$)

WDI Kodu: SH.XPD.CHEX.PC.CD

CHEPC it oranının, çocuk sağlığı ve ölüm oranlarının ekonomiye katılımına oranını inceleyelim.

Regresyon denklemim şöyle: ***U5MR it = β0 + β1 CHEPC it

gostergeler <- c(
  U5MR  = "SH.DYN.MORT",
  CHEPC = "SH.XPD.CHEX.PC.CD",
  MMR   = "SH.STA.MMRT",
  WATER = "SH.H2O.BASW.ZS",
  IMM = "SH.IMM.MEAS",
  EDU  = "SE.PRM.NENR" )

veri <- WDI(indicator = gostergeler, country = "all", start = 2005, end = 2015, extra = TRUE)

veri_temiz <- veri %>%
  filter(region %in% c("Europe & Central Asia", "Middle East & North Africa"), country!= "Aggregates") %>%
  filter(!is.na(U5MR) &
         !is.na(CHEPC) &
         !is.na(MMR) & 
         !is.na(WATER) &
         !is.na(IMM) &
         !is.na(EDU))

df_2005 <- veri_temiz %>% filter(year == 2005)

df_2005_temiz <- df_2005 %>% filter(!is.na(CHEPC) & !is.na(U5MR))

ggplot(df_2005_temiz, aes(x = CHEPC, y = U5MR)) +
    geom_point(size = 3) +
    geom_smooth(method = "lm", se = FALSE) +
    labs(x = "Kisi basina dusen saglik harcamasi",
      y = "Cocuklarda 5 yas alti olum orani",
      title = "Secili ulkelerde cocuk sagligi ve olum oranlari") +
  theme_minimal()

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

regresyon_2005 <- lm(CHEPC ~ U5MR, data = df_2005_temiz)

summary(regresyon_2005)

## 
## Call:
## lm(formula = CHEPC ~ U5MR, data = df_2005_temiz)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1752.0 -1161.7  -526.3  1305.1  3586.7 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  2422.10     282.74   8.567 1.64e-11 ***
## U5MR          -54.47      11.64  -4.682 2.08e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1503 on 52 degrees of freedom
## Multiple R-squared:  0.2965, Adjusted R-squared:  0.283 
## F-statistic: 21.92 on 1 and 52 DF,  p-value: 2.076e-05

df_ulkeler_temiz <- veri_temiz %>%
  filter(!is.na(CHEPC) & !is.na(U5MR))

df_2005 <- df_ulkeler_temiz %>% filter(year == 2005)
df_2010 <- df_ulkeler_temiz %>% filter(year == 2010)
df_2015 <- df_ulkeler_temiz %>% filter(year == 2015)

Diğer yılların da analizi aşağıdaki gibidir.

df_2010_temiz <- df_2010 %>% filter(!is.na(CHEPC) & !is.na(U5MR))

ggplot(df_2010_temiz, aes(x = CHEPC, y = U5MR)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
 labs(x = "Kisi basina dusen saglik harcamasi",
      y = "Cocuklarda 5 yas alti olum orani",
      title = "Secili ulkelerde cocuk sagligi ve olum oranlari") +
  theme_minimal()

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

regresyon_2010 <- lm(CHEPC ~ U5MR, data = df_2010_temiz)

summary(regresyon_2010)

## 
## Call:
## lm(formula = CHEPC ~ U5MR, data = df_2010_temiz)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2352.1 -1340.8  -636.2  1110.2  4907.9 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  3322.42     361.22   9.198 1.44e-12 ***
## U5MR         -112.35      21.99  -5.109 4.52e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1825 on 53 degrees of freedom
## Multiple R-squared:  0.3299, Adjusted R-squared:  0.3173 
## F-statistic:  26.1 on 1 and 53 DF,  p-value: 4.525e-06

,-2015 yılı icin :

df_2015_temiz <- df_2015 %>% filter(!is.na(CHEPC) & !is.na(U5MR))

ggplot(df_2015_temiz, aes(x = CHEPC, y = U5MR)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
 labs(x = "Kisi basina dusen saglik harcamasi",
      y = "Cocuklarda 5 yas alti olum orani",
      title = "Secili ulkelerde cocuk sagligi ve olum oranlari") +
  theme_minimal()

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

regresyon_2015 <- lm(CHEPC ~ U5MR, data = df_2015_temiz)

summary(regresyon_2015)

## 
## Call:
## lm(formula = CHEPC ~ U5MR, data = df_2015_temiz)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2114.8 -1412.1  -794.8  1549.5  6815.5 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  2858.04     349.65   8.174 5.17e-11 ***
## U5MR          -93.26      25.73  -3.624 0.000642 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1922 on 54 degrees of freedom
## Multiple R-squared:  0.1957, Adjusted R-squared:  0.1808 
## F-statistic: 13.14 on 1 and 54 DF,  p-value: 0.0006415

Şimdi sonucları tablo haline getirelim ve analizimizi yapalım.

reg_tablo <- dplyr::bind_rows(
  tidy(regresyon_2005) %>% mutate(year = 2005),  
  tidy(regresyon_2010) %>% mutate(year = 2010),  
  tidy(regresyon_2015) %>% mutate(year = 2015)  
)

knitr::kable(
  reg_tablo, 
  digits = 7, 
  caption = "YILLARA GORE REGRESYON KATSAYILARI"
)

YILLARA GORE REGRESYON KATSAYILARI
term	estimate	std.error	statistic	p.value	year
(Intercept)	2422.10097	282.73643	8.566639	0.0000000	2005
U5MR	-54.47295	11.63563	-4.681563	0.0000208	2005
(Intercept)	3322.41859	361.21790	9.197824	0.0000000	2010
U5MR	-112.34925	21.99200	-5.108642	0.0000045	2010
(Intercept)	2858.04351	349.64642	8.174096	0.0000000	2015
U5MR	-93.25554	25.73018	-3.624364	0.0006415	2015

-2005 yılı icin:

veri_coklu_tum_yillar <- veri_temiz %>% 
  filter(!is.na(CHEPC) & !is.na(U5MR) & !is.na(MMR) & !is.na(WATER) & !is.na(IMM) & !is.na(EDU))

model_2005 <- lm(CHEPC ~ U5MR + MMR + WATER + IMM + EDU, 
                 data = veri_coklu_tum_yillar %>% filter(year == 2005))

summary(model_2005)

## 
## Call:
## lm(formula = CHEPC ~ U5MR + MMR + WATER + IMM + EDU, data = veri_coklu_tum_yillar %>% 
##     filter(year == 2005))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2201.5  -745.3  -338.0   531.7  3308.4 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 11791.455   6017.978   1.959   0.0559 .  
## U5MR         -111.724     25.921  -4.310 8.05e-05 ***
## MMR            14.156      7.544   1.876   0.0667 .  
## WATER          -3.762     33.396  -0.113   0.9108    
## IMM          -111.366     25.848  -4.308 8.10e-05 ***
## EDU            18.956     35.026   0.541   0.5909    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1282 on 48 degrees of freedom
## Multiple R-squared:  0.5277, Adjusted R-squared:  0.4785 
## F-statistic: 10.73 on 5 and 48 DF,  p-value: 5.861e-07

-2010 yılı icin:

veri_coklu_tum_yillar <- veri_temiz %>%
  filter(!is.na(CHEPC) & !is.na(U5MR) & !is.na(MMR) & !is.na(WATER) & !is.na(IMM) & !is.na(EDU))

model_2010 <- lm(CHEPC ~ U5MR + MMR + WATER + IMM + EDU, 
                 data = veri_coklu_tum_yillar %>% filter(year == 2010))

summary(model_2010)

## 
## Call:
## lm(formula = CHEPC ~ U5MR + MMR + WATER + IMM + EDU, data = veri_coklu_tum_yillar %>% 
##     filter(year == 2010))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
##  -3577  -1104   -435   1043   4784 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept)  4120.44    7847.12   0.525  0.60189   
## U5MR         -142.52      45.89  -3.106  0.00315 **
## MMR            11.23      15.01   0.748  0.45790   
## WATER         -22.25      59.61  -0.373  0.71059   
## IMM           -51.22      34.09  -1.503  0.13933   
## EDU            67.11      52.12   1.287  0.20397   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1795 on 49 degrees of freedom
## Multiple R-squared:  0.4004, Adjusted R-squared:  0.3392 
## F-statistic: 6.544 on 5 and 49 DF,  p-value: 9.811e-05

-2015 yılı icin :

veri_coklu_tum_yillar <- veri_temiz %>%
  filter(!is.na(CHEPC) & !is.na(U5MR) & !is.na(MMR) & !is.na(WATER) & !is.na(IMM) & !is.na(EDU))

model_2015 <- lm(CHEPC ~ U5MR + MMR + WATER + IMM + EDU, 
                 data = veri_coklu_tum_yillar %>% filter(year == 2015))

summary(model_2015)

## 
## Call:
## lm(formula = CHEPC ~ U5MR + MMR + WATER + IMM + EDU, data = veri_coklu_tum_yillar %>% 
##     filter(year == 2015))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2201.7 -1276.2  -665.3  1356.3  6792.1 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -7007.262  13059.146  -0.537   0.5939  
## U5MR         -145.783     82.044  -1.777   0.0817 .
## MMR            36.204     20.884   1.734   0.0892 .
## WATER          59.925    107.644   0.557   0.5802  
## IMM            -4.746     44.220  -0.107   0.9150  
## EDU            46.625     59.050   0.790   0.4335  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1918 on 50 degrees of freedom
## Multiple R-squared:  0.2577, Adjusted R-squared:  0.1834 
## F-statistic: 3.471 on 5 and 50 DF,  p-value: 0.009051

ANALİZİMİ TABLO HALİNE GETİRDİM YORUMLAYALIM.

reg_tablo2 <- dplyr::bind_rows(
  tidy(model_2005) %>% mutate(year = 2005),
  tidy(model_2005) %>% mutate(year = 2010),
  tidy(model_2005) %>% mutate(year = 2015)
 
)


knitr::kable(
  reg_tablo2,
  digits = 7,
  caption = "YILLARA GORE REGRESYON KATSAYILARI"
)

YILLARA GORE REGRESYON KATSAYILARI
term	estimate	std.error	statistic	p.value	year
(Intercept)	11791.455131	6017.978210	1.9593715	0.0558908	2005
U5MR	-111.723860	25.920774	-4.3102054	0.0000805	2005
MMR	14.155923	7.544427	1.8763418	0.0666954	2005
WATER	-3.761741	33.396425	-0.1126390	0.9107865	2005
IMM	-111.365833	25.848324	-4.3084353	0.0000810	2005
EDU	18.956445	35.025885	0.5412125	0.5908643	2005
(Intercept)	11791.455131	6017.978210	1.9593715	0.0558908	2010
U5MR	-111.723860	25.920774	-4.3102054	0.0000805	2010
MMR	14.155923	7.544427	1.8763418	0.0666954	2010
WATER	-3.761741	33.396425	-0.1126390	0.9107865	2010
IMM	-111.365833	25.848324	-4.3084353	0.0000810	2010
EDU	18.956445	35.025885	0.5412125	0.5908643	2010
(Intercept)	11791.455131	6017.978210	1.9593715	0.0558908	2015
U5MR	-111.723860	25.920774	-4.3102054	0.0000805	2015
MMR	14.155923	7.544427	1.8763418	0.0666954	2015
WATER	-3.761741	33.396425	-0.1126390	0.9107865	2015
IMM	-111.365833	25.848324	-4.3084353	0.0000810	2015
EDU	18.956445	35.025885	0.5412125	0.5908643	2015

COCUK SAGLIGI VE OLUM ORANLARININ EKONOMIK ETKILERI

tubanur yesilova

2026-01-04

Çocuk Sağlığını ve Ölüm Oranını Etkileyen Faktörler Nelerdir ?

ÇocukSağlığını ve Ölüm Oranını Etkileyen Faktörlerin Analizleri

U5MR it - β1 CHEPC it Oranı