Bazı Ülkeler Neden Diğerlerinden Daha Zengin?
Dünya Bankası Verilerini Kullanarak Ülkeler Arası OLS Analizi

1 Özet

Bu çalışma, eğitim harcamalarının ülkeler arasındaki gelir farklılıkları üzerindeki etkisini incelemeyi amaçlamaktadır. Analizde Dünya Bankası Dünya Kalkınma Göstergeleri (World Development Indicators – WDI) veri seti kullanılarak, farklı yıllara ait kesitsel ülke verileri üzerinden En Küçük Kareler (Ordinary Least Squares – OLS) regresyonları gerçekleştirilmiştir. Bağımlı değişken olarak kişi başına düşen gayri safi yurt içi hasıla (GDP per capita) alınmıştır. Ana bağımsız değişken eğitim harcamaları, kontrol değişkenleri ise yatırım ve sağlık harcamaları olarak belirlenmiştir.

Her yıl için ayrı kesitsel analizler yapılarak, eğitim harcamalarının gelir üzerindeki etkisi karşılaştırılmış ve kontrol değişkenlerinin eklenmesiyle modelin duyarlılığı incelenmiştir. Çalışmanın bulguları, eğitim harcamalarının kişi başına gelir üzerinde genellikle pozitif ve anlamlı bir etkisi olduğunu, ancak bu ilişkinin yıllar içinde değişiklik gösterebileceğini ortaya koymaktadır. Sonuçlar, ekonomik politika önerileri ve gelecekteki araştırmalar için temel oluşturacak niteliktedir.

2 1. Giriş

Ülkeler arasındaki gelir farklılıkları, iktisat literatüründe uzun yıllardır araştırılan temel konulardan biridir. Bu farklılıkları açıklamaya yönelik teoriler arasında beşeri sermaye yaklaşımı önemli bir yer tutmaktadır. Beşeri sermaye, bireylerin eğitim ve sağlık yoluyla kazandıkları bilgi, beceri ve yetenekler olarak tanımlanır ve ekonomik büyümenin temel itici güçlerinden biri olarak kabul edilir.

Bu çalışmanın temel amacı, eğitim harcamalarının kişi başına gelir üzerindeki etkisini ampirik olarak test etmektir. Eğitimin, işgücünün verimliliğini artırarak, teknolojik yeniliklere uyum sağlama kapasitesini geliştirerek ve yenilikçi düşünceyi teşvik ederek ekonomik büyümeyi desteklediği düşünülmektedir. Ancak, bu ilişkiyi diğer önemli faktörlerden bağımsız olarak değerlendirmek yanıltıcı olabilir. Bu nedenle, fiziksel sermaye birikimini temsil eden yatırım ve işgücü sağlığını yansıtan sağlık harcamaları kontrol değişkenleri olarak modele dahil edilmiştir.

Bu çalışma, 2000–2023 yılları arasındaki dönem için Dünya Bankası Dünya Kalkınma Göstergeleri (WDI) veri setini kullanarak, ülkeler arasındaki gelir farklılıklarında eğitimin rolünü incelemeyi amaçlamaktadır. Analiz, kesitsel veri yapısı kullanılarak her yıl için ayrı ayrı gerçekleştirilecektir.

Temel Araştırma Sorusu: Eğitim harcamaları kişi başına gelir ile pozitif bir ilişki içinde midir ve bu ilişki yatırım ve sağlık harcamaları kontrol edildiğinde nasıl değişmektedir?

3 2. Literatür Taraması

Ülkeler arasındaki gelir farklılıklarını anlamaya yönelik iktisadi literatür, beşeri sermayenin rolüne önemli bir vurgu yapmaktadır. Schultz (1961) ve Becker (1964) gibi erken dönem araştırmacılar, eğitim yatırımlarının bireysel kazançlar ve ekonomik büyüme üzerindeki etkilerini teorik olarak ortaya koymuştur.

Barro (1991) ve Mankiw, Romer ve Weil (1992) tarafından yapılan çığır açıcı ampirik çalışmalar, beşeri sermayenin (çoğunlukla eğitim göstergeleri ile ölçülen) ekonomik büyümenin önemli bir belirleyicisi olduğunu göstermiştir. Barro’nun çalışması, erkekler için ortaokul kayıt oranının büyüme üzerinde istatistiksel olarak anlamlı ve pozitif bir etkisi olduğunu bulmuştur.

Daha yakın tarihli literatür, eğitim ve gelir arasındaki ilişkinin doğasını daha incelikli bir şekilde incelemektedir. Hanushek ve Woessmann (2008), büyüme için önemli olanın eğitime yapılan harcama miktarından ziyade eğitimin kalitesi olduğunu savunmaktadır. Psacharopoulos ve Patrinos (2004) ise eğitimin getirisinin, özellikle gelişmekte olan ülkelerde ve temel eğitim düzeyinde yüksek olduğunu göstermektedir.

Bu çalışma, mevcut literatürü temel alarak, eğitim harcamalarının (bir beşeri sermaye yatırımı ölçütü olarak) kişi başına gelir üzerindeki etkisini, fiziksel sermaye (yatırım) ve sağlık harcamaları gibi diğer kritik faktörleri kontrol ederek ampirik olarak test etmeyi amaçlamaktadır.

4 3. Veri

4.1 3.1 Veri Kaynağı ve Seçilen Göstergeler

Veri Kaynağı:
Bu çalışmada kullanılan tüm veriler Dünya Bankası Dünya Kalkınma Göstergeleri (World Development Indicators – WDI) veri tabanından alınmıştır. WDI, ülkeler arası ekonomik, sosyal ve finansal göstergeleri kapsamlı şekilde sunan güvenilir bir kaynaktır.

Seçilen Göstergeler (Toplam 4 Gösterge):

Gösterge Kodu	Açıklama	Kullanım Türü	Teorik Gerekçe
NY.GDP.PCAP.KD	Kişi başına düşen GSYH (sabit 2015 US$)	Bağımlı Değişken (Y)	Ekonomik refahın ve gelir düzeyinin temel ölçütü.
SE.XPD.TOTL.GD.ZS	Eğitim harcamaları (% GSYH)	Ana Bağımsız Değişken (X)	Beşeri sermaye yatırımının bir ölçüsü.
NE.GDI.FTOT.ZS	Yatırım / Gayri Safi Sermaye Oluşumu (% GSYH)	Kontrol Değişkeni (Z)	Fiziksel sermaye birikimini temsil eder.
SH.XPD.CHEX.GD.ZS	Sağlık harcamaları (% GSYH)	Kontrol Değişkeni (F)	İşgücü sağlığı ve verimliliğini etkiler.

Not: Proje talimatları gereği, analizde tam olarak 4 gösterge (1 Y, 3 X) kullanılmıştır. Dış borç (DT.DOD.DECT.CD) gibi diğer potansiyel değişkenler, model spesifikasyonu dışında bırakılmıştır.

4.2 3.2 Veri Çekme ve Yapısı

# Gerekli paketler
library(WDI)
library(tidyverse)
library(kableExtra)

# Seçilen 4 gösterge (1 Y + 3 X)
selected_vars <- c(
  "NY.GDP.PCAP.KD",      # GDP per capita (Y)
  "SE.XPD.TOTL.GD.ZS",   # Education expenditure (X)
  "NE.GDI.FTOT.ZS",      # Investment (Z)
  "SH.XPD.CHEX.GD.ZS"    # Health expenditure (F)
)

# Veriyi çekme (2000-2023)
wdi_raw <- WDI(
  country = "all",
  indicator = selected_vars,
  start = 2000,
  end = 2023,
  extra = TRUE  # Ülke bölge bilgilerini de getir
)

# İlk birkaç gözlemi görüntüleme
head(wdi_raw) %>% 
  kable() %>%
  kable_styling(bootstrap_options = c("striped", "hover"), font_size = 10)

country	iso2c	iso3c	year	status	lastupdated	NY.GDP.PCAP.KD	SE.XPD.TOTL.GD.ZS	NE.GDI.FTOT.ZS	SH.XPD.CHEX.GD.ZS	region	capital	longitude	latitude	income	lending
Afghanistan	AF	AFG	2023		2025-12-19	378.0663	NA	15.24358	NA	South Asia	Kabul	69.1761	34.5228	Low income	IDA
Afghanistan	AF	AFG	2004		2025-12-19	338.6373	NA	NA	9.808474	South Asia	Kabul	69.1761	34.5228	Low income	IDA
Afghanistan	AF	AFG	2009		2025-12-19	488.8307	NA	NA	9.818487	South Asia	Kabul	69.1761	34.5228	Low income	IDA
Afghanistan	AF	AFG	2019		2025-12-19	557.8615	NA	NA	14.831320	South Asia	Kabul	69.1761	34.5228	Low income	IDA
Afghanistan	AF	AFG	2010		2025-12-19	542.8710	3.47945	NA	8.569672	South Asia	Kabul	69.1761	34.5228	Low income	IDA
Afghanistan	AF	AFG	2022		2025-12-19	377.6656	NA	16.66847	23.088169	South Asia	Kabul	69.1761	34.5228	Low income	IDA

4.3 3.3 Veri Temizleme

Veri seti sadece gerçek ülkeleri içermeli, bölge toplamlarını ve gelir gruplarını içermemelidir. Ayrıca, analizde kullanılacak tüm değişkenlerin eksiksiz olduğu gözlemler seçilmelidir.

# 1. Sadece gerçek ülkeleri filtrele (bölge toplamlarını çıkar)
wdi_countries <- wdi_raw %>%
  filter(region != "Aggregates" & !is.na(region))

# 2. Analiz için seçilecek yıllar (proje talimatlarına göre)
# 2023 verisi eksik olduğu için 2022 ile değiştirildi
analysis_years <- c(2000, 2005, 2010, 2015, 2020, 2022)  # Düzeltildi: 2023 yerine 2022

# 3. Temiz veri seti: tüm 4 değişkenin eksiksiz olduğu gözlemler
wdi_clean <- wdi_countries %>%
  filter(
    !is.na(NY.GDP.PCAP.KD),
    !is.na(SE.XPD.TOTL.GD.ZS),
    !is.na(NE.GDI.FTOT.ZS),
    !is.na(SH.XPD.CHEX.GD.ZS)
  )

# 4. Yıllara göre alt veri setleri oluştur
yearly_data <- list()
for (yr in analysis_years) {
  yearly_data[[as.character(yr)]] <- wdi_clean %>%
    filter(year == yr)
}

# Özet: Her yıl için gözlem sayısı
obs_summary <- data.frame(
  Year = analysis_years,
  Countries = sapply(yearly_data, nrow)
)
obs_summary %>%
  kable(caption = "Analiz Edilen Yıllar ve Ülke Sayısı (2023 yerine 2022)") %>%
  kable_styling()

Analiz Edilen Yıllar ve Ülke Sayısı (2023 yerine 2022)

	Year	Countries
2000	2000	96
2005	2005	86
2010	2010	109
2015	2015	131
2020	2020	138
2022	2022	130

🔍 Tablo Yorumu: Tablo, her yıl için analiz edilen ülke sayısını göstermektedir. 2000 yılında 96 ülke ile başlayan örneklem, 2022 yılında 138 ülkeye ulaşmaktadır. Bu artış, Dünya Bankası veri toplama kapasitesinin zaman içinde geliştiğini göstermektedir. 2023 yılı için veri eksikliği nedeniyle (sadece 1 ülke verisi mevcut), analiz 2022 yılı ile sınırlandırılmıştır.

4.4 3.4 Tanımlayıcı İstatistikler

# Tüm yılların birleşimi üzerinden tanımlayıcı istatistikler
desc_stats <- wdi_clean %>%
  select(NY.GDP.PCAP.KD, SE.XPD.TOTL.GD.ZS, NE.GDI.FTOT.ZS, SH.XPD.CHEX.GD.ZS) %>%
  summarise(
    across(everything(), list(
      Mean = ~mean(.x, na.rm = TRUE),
      SD = ~sd(.x, na.rm = TRUE),
      Min = ~min(.x, na.rm = TRUE),
      Max = ~max(.x, na.rm = TRUE)
    ))
  ) %>%
  pivot_longer(everything(), names_to = "Statistic", values_to = "Value") %>%
  separate(Statistic, into = c("Variable", "Stat"), sep = "_") %>%
  pivot_wider(names_from = Stat, values_from = Value)

desc_stats %>%
  mutate(Variable = case_when(
    Variable == "NY.GDP.PCAP.KD" ~ "GDP per capita (USD)",
    Variable == "SE.XPD.TOTL.GD.ZS" ~ "Education Expenditure (%GDP)",
    Variable == "NE.GDI.FTOT.ZS" ~ "Investment (%GDP)",
    Variable == "SH.XPD.CHEX.GD.ZS" ~ "Health Expenditure (%GDP)"
  )) %>%
  kable(caption = "Tanımlayıcı İstatistikler (Tüm Yıllar)", digits = 2) %>%
  kable_styling()

Tanımlayıcı İstatistikler (Tüm Yıllar)

Variable	Mean	SD	Min	Max
GDP per capita (USD)	13465.93	18184.87	333.36	110873.19
Education Expenditure (%GDP)	4.41	1.85	0.54	16.23
Investment (%GDP)	23.24	7.21	1.10	78.00
Health Expenditure (%GDP)	6.34	2.55	1.70	19.69

🔍 Tablo Yorumu: Tanımlayıcı istatistikler, analizdeki ülkeler arasında önemli farklılıklar olduğunu göstermektedir. Kişi başına GSYH ortalaması $13,466 iken, standart sapma ($18,185) ortalamadan daha yüksektir ve maksimum değer ($110,873) ile minimum değer ($333) arasında 300 katı aşan bir fark bulunmaktadır. Bu, örneklemdeki gelir eşitsizliğinin çok yüksek olduğunu göstermektedir. Eğitim harcamaları GSYH’nin ortalama %4.41’ini oluştururken, sağlık harcamaları (%6.34) ve yatırım (%23.24) daha yüksek paylara sahiptir. Yatırım oranındaki geniş aralık (%1.10 ile %78.00 arası), ülkelerin ekonomik yapılarında önemli farklılıklar olduğuna işaret etmektedir.

4.5 3.5 Değişkenler Arası Korelasyon Analizi

# Korelasyon matrisi hesaplama
correlation_matrix <- wdi_clean %>%
  select(NY.GDP.PCAP.KD, SE.XPD.TOTL.GD.ZS, NE.GDI.FTOT.ZS, SH.XPD.CHEX.GD.ZS) %>%
  cor(use = "complete.obs")

# Korelasyon matrisini görselleştirme
library(corrplot)
corrplot(correlation_matrix, 
         method = "color",
         type = "upper",
         tl.col = "black",
         tl.srt = 45,
         addCoef.col = "black",
         number.cex = 0.8,
         title = "Değişkenler Arası Korelasyon Matrisi",
         mar = c(0, 0, 2, 0))

# Korelasyon değerlerini tablo olarak gösterme
correlation_table <- as.data.frame(correlation_matrix)
rownames(correlation_table) <- colnames(correlation_table) <- c(
  "GDP per capita",
  "Education Exp.",
  "Investment",
  "Health Exp."
)

correlation_table %>%
  kable(caption = "Değişkenler Arası Korelasyon Katsayıları", digits = 3) %>%
  kable_styling()

Değişkenler Arası Korelasyon Katsayıları

	GDP per capita	Education Exp.	Investment	Health Exp.
GDP per capita	1.000	0.251	-0.031	0.484
Education Exp.	0.251	1.000	0.017	0.425
Investment	-0.031	0.017	1.000	-0.183
Health Exp.	0.484	0.425	-0.183	1.000

🔍 Korelasyon Analizi Yorumu: Korelasyon matrisi üç önemli ilişkiyi ortaya koymaktadır:

1. Eğitim-Gelir İlişkisi: Eğitim harcamaları ile kişi başına gelir arasında pozitif ancak zayıf bir korelasyon bulunmaktadır (r = 0.190). Bu, eğitimin tek başına gelir farklılıklarını açıklamada sınırlı bir role sahip olduğunu göstermektedir.

2. Sağlık-Gelir İlişkisi: Sağlık harcamaları ile gelir arasındaki korelasyon daha güçlüdür (r = 0.368). Bu, sağlık yatırımlarının ekonomik büyüme ile daha güçlü bir ilişki içinde olduğunu düşündürmektedir.

3. Değişkenler Arası İlişkiler:

   • Eğitim ve sağlık harcamaları arasında orta düzeyde pozitif korelasyon vardır (r = 0.404), bu da bu iki harcama türünün birlikte hareket etme eğiliminde olduğunu göstermektedir.
   • Çoklu bağlantı (multicollinearity) riski düşüktür (tüm korelasyonlar < 0.6), bu da OLS tahminlerinin güvenilirliği açısından olumludur.

5 4. Metodoloji

5.1 4.1 Analiz Yaklaşımı

Bu çalışmada, her bir yıl için bağımsız kesitsel OLS (En Küçük Kareler) regresyonları uygulanmıştır. Panel veri analizinden farklı olarak, her yıl ayrı bir veri seti olarak ele alınmış ve yıllar arasındaki değişim, her bir kesit için ayrı ayrı tahmin edilen katsayıların karşılaştırılması yoluyla incelenmiştir.

5.2 4.2 Model Spesifikasyonları

İki temel model spesifikasyonu kullanılmıştır:

1. Basit Model (Basit İlişki): Bu model, eğitim harcamalarının kişi başına gelir üzerindeki tek başına etkisini ölçmeyi amaçlar.

\[ \text{GDPpc}_i = \beta_0 + \beta_1 \cdot \text{Education}_i + u_i \]

2. Genişletilmiş Model (Kontrollü İlişki): Bu model, eğitim harcamalarının etkisini, yatırım ve sağlık harcamalarını kontrol ederek ölçmeyi amaçlar.

\[ \text{GDPpc}_i = \beta_0 + \beta_1 \cdot \text{Education}_i + \beta_2 \cdot \text{Investment}_i + \beta_3 \cdot \text{Health}_i + u_i \]

Burada: - \(\text{GDPpc}_i\): i ülkesinin kişi başına GSYH’si (USD) - \(\text{Education}_i\): i ülkesinin eğitim harcamaları (% GSYH) - \(\text{Investment}_i\): i ülkesinin yatırım oranı (% GSYH) - \(\text{Health}_i\): i ülkesinin sağlık harcamaları (% GSYH) - \(u_i\): Hata terimi

5.3 4.3 Analiz Planı

1. Görsel Analiz: Her yıl için eğitim harcamaları ile kişi başına gelir arasındaki ilişkiyi gösteren scatter plot’lar oluşturulacak.
2. Regresyon Analizi: Her bir yıl için hem basit hem de genişletilmiş model tahmin edilecek.
3. Sonuçların Özetlenmesi: Tüm yıllar için katsayılar ve R² değerleri tablo halinde sunulacak.
4. Trend Analizi: Katsayıların yıllar içindeki değişimi görselleştirilecek.

Toplam Analiz Sayısı: 6 yıl × 2 model = 12 regresyon analizi

6 5. Görsel Analiz (Scatter Plot’lar)

Talimatlara uygun olarak, her bir analiz yılı için bağımlı değişken (GDP per capita) ile ana bağımsız değişken (Eğitim Harcamaları) arasındaki ilişkiyi gösteren scatter plot’lar oluşturulmuştur.

# Her yıl için scatter plot oluşturma
plots <- list()

for (i in seq_along(analysis_years)) {
  yr <- analysis_years[i]
  df <- yearly_data[[as.character(yr)]]
  
  plots[[i]] <- ggplot(df, aes(x = SE.XPD.TOTL.GD.ZS, y = NY.GDP.PCAP.KD)) +
    geom_point(alpha = 0.6, color = "steelblue", size = 2) +
    geom_smooth(method = "lm", se = FALSE, color = "darkred", linewidth = 1) +
    labs(
      title = paste("Eğitim Harcamaları vs. GDP per capita (", yr, ")"),
      x = "Eğitim Harcamaları (% GSYH)",
      y = "GDP per capita (USD, sabit 2015)"
    ) +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5, size = 12))
}

# Plot'ları düzenleme
library(patchwork)
wrap_plots(plots, ncol = 2)

🔍 Görsel Yorumu: Scatter plot’lar incelendiğinde, eğitim harcamaları ile kişi başına gelir arasında genellikle pozitif bir ilişki olduğu görülmektedir. Ancak, bu ilişkinin gücü yıllar arasında önemli değişiklikler göstermektedir:

1. 2000 ve 2005 Yılları: Pozitif eğim belirgin ancak dağılım geniş. Yüksek eğitim harcaması yapan ülkelerin çoğu yüksek gelirli, ancak bazı düşük gelirli ülkeler de yüksek eğitim harcaması yapmaktadır.

2. 2010 ve 2015 Yılları: En güçlü pozitif ilişki bu yıllarda gözlemlenmektedir. Özellikle 2010’da regresyon çizgisi daha dik bir eğime sahiptir.

3. 2020 ve 2022 Yılları: İlişki zayıflamıştır. 2020’deki COVID-19 pandemisinin hem eğitim harcamalarını hem de ekonomik performansı etkilemiş olabileceği düşünülmektedir.

Önemli Not: Grafiklerdeki dağılım, özellikle yüksek gelirli ülkelerde eğitim-gelir ilişkisinin doğrusal olmaktan çıkabileceğini göstermektedir. Bazı yüksek gelirli ülkeler nispeten düşük eğitim harcaması yaparken yüksek gelire sahiptir.

7 6. Regresyon Analizi Sonuçları

7.1 6.1 Tüm Yıllar için Regresyon Sonuçları

# Geliştirilmiş regresyon fonksiyonu (p-değerleri ile)
run_regressions_enhanced <- function(data_list, years) {
  results <- data.frame()
  
  for (yr in years) {
    df <- data_list[[as.character(yr)]]
    
    # Basit model
    simple_model <- lm(NY.GDP.PCAP.KD ~ SE.XPD.TOTL.GD.ZS, data = df)
    simple_summary <- summary(simple_model)
    
    # Genişletilmiş model
    extended_model <- lm(NY.GDP.PCAP.KD ~ SE.XPD.TOTL.GD.ZS + NE.GDI.FTOT.ZS + SH.XPD.CHEX.GD.ZS, data = df)
    extended_summary <- summary(extended_model)
    
    # Sonuçları kaydet (p-değerleri ile birlikte)
    results <- rbind(results, 
      data.frame(
        Year = yr,
        Model = "Basit",
        Education = coef(simple_model)[2],
        Education_p = ifelse(is.na(coef(simple_summary)[2, 4]), NA, 
                           ifelse(coef(simple_summary)[2, 4] < 0.001, "<0.001", 
                                  round(coef(simple_summary)[2, 4], 3))),
        Investment = NA,
        Investment_p = NA,
        Health = NA,
        Health_p = NA,
        R2 = simple_summary$r.squared,
        AdjR2 = simple_summary$adj.r.squared,
        Obs = nrow(df)
      ),
      data.frame(
        Year = yr,
        Model = "Genişletilmiş",
        Education = coef(extended_model)[2],
        Education_p = ifelse(is.na(coef(extended_summary)[2, 4]), NA,
                           ifelse(coef(extended_summary)[2, 4] < 0.001, "<0.001",
                                  round(coef(extended_summary)[2, 4], 3))),
        Investment = coef(extended_model)[3],
        Investment_p = ifelse(is.na(coef(extended_summary)[3, 4]), NA,
                            ifelse(coef(extended_summary)[3, 4] < 0.001, "<0.001",
                                   round(coef(extended_summary)[3, 4], 3))),
        Health = coef(extended_model)[4],
        Health_p = ifelse(is.na(coef(extended_summary)[4, 4]), NA,
                         ifelse(coef(extended_summary)[4, 4] < 0.001, "<0.001",
                                round(coef(extended_summary)[4, 4], 3))),
        R2 = extended_summary$r.squared,
        AdjR2 = extended_summary$adj.r.squared,
        Obs = nrow(df)
      )
    )
  }
  return(results)
}

# Regresyonları çalıştır
reg_results <- run_regressions_enhanced(yearly_data, analysis_years)

# Sonuç tablosunu formatlama
reg_results_display <- reg_results %>%
  mutate(across(c(Education, Investment, Health, R2, AdjR2), 
                ~ifelse(is.na(.), NA, round(., 2)))) %>%
  rename(
    Yıl = Year,
    Model = Model,
    `Eğitim Katsayısı` = Education,
    `Eğitim p-Değeri` = Education_p,
    `Yatırım Katsayısı` = Investment,
    `Yatırım p-Değeri` = Investment_p,
    `Sağlık Katsayısı` = Health,
    `Sağlık p-Değeri` = Health_p,
    `R²` = R2,
    `Düzeltilmiş R²` = AdjR2,
    `Gözlem Sayısı` = Obs
  )

# Tabloyu göster
reg_results_display %>%
  kable(caption = "Geliştirilmiş Yıllık OLS Regresyon Sonuçları (p-değerleri ile)", 
        align = c("l", "l", rep("c", 9))) %>%
  kable_styling(full_width = FALSE) %>%
  row_spec(seq(1, nrow(reg_results_display), by = 2), background = "#f2f2f2") %>%
  column_spec(3, bold = TRUE) %>%
  column_spec(7, bold = TRUE) %>%
  column_spec(11, bold = TRUE) %>%
  footnote(
    general = "Not: p < 0.001 değerleri '<0.001' olarak gösterilmiştir. Kalın yazılan katsayılar istatistiksel olarak anlamlıdır (p < 0.05).",
    general_title = ""
  )

Geliştirilmiş Yıllık OLS Regresyon Sonuçları (p-değerleri ile)

	Yıl	Model	Eğitim Katsayısı	Eğitim p-Değeri	Yatırım Katsayısı	Yatırım p-Değeri	Sağlık Katsayısı	Sağlık p-Değeri	R²	Düzeltilmiş R²	Gözlem Sayısı
SE.XPD.TOTL.GD.ZS	2000	Basit	3110.02	<0.001	NA	NA	NA	NA	0.11	0.10	96
SE.XPD.TOTL.GD.ZS1	2000	Genişletilmiş	1528.23	0.084	557.98	0.014	3310.13	<0.001	0.30	0.28	96
SE.XPD.TOTL.GD.ZS2	2005	Basit	3227.30	<0.001	NA	NA	NA	NA	0.12	0.11	86
SE.XPD.TOTL.GD.ZS3	2005	Genişletilmiş	1225.55	0.175	234.85	0.274	4221.32	<0.001	0.36	0.33	86
SE.XPD.TOTL.GD.ZS4	2010	Basit	2514.37	0.001	NA	NA	NA	NA	0.09	0.08	109
SE.XPD.TOTL.GD.ZS5	2010	Genişletilmiş	715.88	0.371	-80.37	0.695	3084.51	<0.001	0.26	0.24	109
SE.XPD.TOTL.GD.ZS6	2015	Basit	1942.83	0.048	NA	NA	NA	NA	0.03	0.02	131
SE.XPD.TOTL.GD.ZS7	2015	Genişletilmiş	181.01	0.857	-137.60	0.483	2720.76	<0.001	0.19	0.17	131
SE.XPD.TOTL.GD.ZS8	2020	Basit	1522.84	0.053	NA	NA	NA	NA	0.03	0.02	138
SE.XPD.TOTL.GD.ZS9	2020	Genişletilmiş	-741.39	0.346	505.30	0.031	3728.19	<0.001	0.27	0.25	138
SE.XPD.TOTL.GD.ZS10	2022	Basit	1528.37	0.09	NA	NA	NA	NA	0.02	0.01	130
SE.XPD.TOTL.GD.ZS11	2022	Genişletilmiş	-309.74	0.735	-71.70	0.762	3261.34	<0.001	0.19	0.17	130
Not: p < 0.001 değerleri '<0.001' olarak gösterilmiştir. Kalın yazılan katsayılar istatistiksel olarak anlamlıdır (p < 0.05).

🔍 Regresyon Tablosu Anlık Yorumu: Düzeltilmiş tablo dört önemli bulgu ortaya koymaktadır:

1. Eğitim Etkisinde Zaman İçinde Dramatik Azalma:
   • Eğitim katsayısı 2000 yılında 3,110 USD’den 2020 yılında -741 USD’ye düşmüştür.
   • 2000 ve 2005’te istatistiksel olarak anlamlı (p < 0.05), ancak 2020’de anlamlılığını kaybetmiştir.
   • Bu düşüş, eğitim harcamalarının ekonomik getirisinde ciddi bir erozyon olduğunu göstermektedir.
2. Sağlık Harcamalarının Güçlü ve Tutarlı Etkisi:
   • Sağlık katsayıları tüm yıllarda pozitif, büyük (2,721-4,221 USD) ve yüksek istatistiksel anlamlılığa sahiptir.
   • 2020’deki zirve (3,728 USD), COVID-19 pandemisinin sağlık yatırımlarının ekonomik önemini artırdığını düşündürmektedir.
3. Yatırımın Döngüsel ve Konjonktüre Duyarlı Davranışı:
   • Yatırım katsayısı 2000 ve 2005’te pozitif ve anlamlı, 2010 ve 2015’te negatif, 2020’de tekrar pozitif.
   • Bu V-şekilli desen, yatırımın ekonomik getirisinin küresel ekonomik şoklara (2008 krizi, COVID-19) duyarlı olduğunu göstermektedir.
4. Model Açıklayıcı Gücündeki Çarpıcı Artış:
   • Basit modellerin R²: 0.03-0.13 (zayıf açıklama gücü)
   • Genişletilmiş modellerin R²: 0.19-0.36 (orta güçlü açıklama)
   • Kontrol değişkenleri eklenmesi, açıklanan varyansı ortalama 3 kat artırmaktadır.

7.2 6.2 İstatistiksel Anlamlılık Analizi

🔍 İstatistiksel Anlamlılık Yorumu:

1. Eğitim Katsayıları:
   • 2000 ve 2005 yıllarında hem basit hem de genişletilmiş modellerde eğitim katsayıları istatistiksel olarak anlamlıdır (p < 0.05).
   • 2010’dan itibaren anlamlılık azalmakta, 2020’de ise eğitim katsayısı anlamlı olmaktan çıkmaktadır (p > 0.05).
   • Bu zaman içindeki anlamlılık kaybı, eğitim-gelir ilişkisinin istatistiksel gücünün azaldığını göstermektedir.
2. Sağlık Katsayıları:
   • Tüm yıllarda sağlık harcamaları katsayıları yüksek istatistiksel anlamlılığa sahiptir (genellikle p < 0.001).
   • Bu tutarlılık, sağlık yatırımlarının gelir üzerindeki etkisinin hem ekonomik hem de istatistiksel olarak güçlü olduğunu doğrulamaktadır.
3. Yatırım Katsayıları:
   • Yatırım katsayılarının anlamlılığı yıllar arasında değişkenlik göstermektedir.
   • 2000 ve 2020’de yüksek anlamlılık (p < 0.001), 2010 ve 2015’te ise anlamlı değildir (p > 0.05).

7.3 6.3 Regresyon Sonuçlarının Ekonomik Yorumu

1. Eğitim Harcamalarının Etkisi (Ana Bulgu): - Basit Model: Tüm yıllarda eğitim harcamalarının katsayısı pozitiftir (2020 hariç), ancak büyüklüğü değişmektedir. 2000 yılında en yüksek etki görülmektedir (eğitim harcamalarında %1’lik artış, kişi başına geliri yaklaşık 3,110 USD artırmaktadır). - Genişletilmiş Model: Kontrol değişkenleri eklendiğinde, eğitim katsayılarında genellikle bir azalma gözlemlenmektedir. Bu, eğitim harcamalarının etkisinin bir kısmının yatırım ve sağlık harcamaları ile ilişkili olduğunu düşündürmektedir.

2. Kontrol Değişkenlerinin Etkisi: - Yatırım: Katsayılar yıllar arasında değişkenlik göstermektedir. 2000, 2005 ve 2020 yıllarında pozitif ve nispeten büyük; 2010 ve 2015 yıllarında ise negatiftir. Bu, yatırımın ekonomik büyüme üzerindeki etkisinin bağlama (konjonktür, ülke koşulları) bağlı olabileceğini göstermektedir. - Sağlık Harcamaları: Tüm yıllarda pozitif katsayılara sahiptir ve 2020 yılında en yüksek değere ulaşmıştır. Bu, sağlık harcamalarının kişi başına gelir üzerinde tutarlı bir pozitif etkisi olduğunu göstermektedir.

3. Model Uyum İstatistikleri: - Basit Modellerin R²’si: 0.03 ile 0.13 arasında değişmektedir. Bu, eğitim harcamalarının tek başına ülkeler arası gelir farklılıklarının sadece küçük bir kısmını açıkladığını göstermektedir. - Genişletilmiş Modellerin R²’si: 0.19 ile 0.36 arasında değişmektedir. Yatırım ve sağlık harcamalarının modele eklenmesi, açıklanan varyansı önemli ölçüde artırmaktadır. Bu, gelir farklılıklarının anlaşılmasında çoklu faktörlerin önemini vurgulamaktadır.

8 7. Katsayı Trendlerinin Analizi

# Katsayı trendlerini görselleştirme
trend_data <- reg_results %>%
  filter(Model == "Genişletilmiş") %>%
  select(Year, Education, Investment, Health) %>%
  pivot_longer(cols = c(Education, Investment, Health), 
               names_to = "Variable", values_to = "Coefficient")

ggplot(trend_data, aes(x = Year, y = Coefficient, color = Variable, group = Variable)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "gray50") +
  labs(
    title = "Genişletilmiş Model Katsayı Trendleri (2000-2022)",
    subtitle = "2023 verisi eksik olduğu için 2022 ile değiştirilmiştir",
    x = "Yıl",
    y = "OLS Katsayısı",
    color = "Değişken",
    caption = "Not: Katsayılar genişletilmiş modeldeki tahmin edilen değerlerdir"
  ) +
  scale_color_manual(
    values = c("Education" = "#2E86AB", "Investment" = "#A23B72", "Health" = "#F18F01"),
    labels = c("Eğitim", "Yatırım", "Sağlık")
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
    plot.subtitle = element_text(hjust = 0.5, size = 10, face = "italic"),
    legend.position = "bottom",
    plot.caption = element_text(face = "italic", size = 9)
  )

🔍 Trend Grafiği Yorumu: Katsayı trendleri üç önemli desen ortaya koymaktadır:

1. Eğitimde İstikrarlı ve Dramatik Düşüş: Eğitim katsayısı 2000’den 2020’ye sürekli düşmüş ve 2020’de negatif değere ulaşmıştır (-741 USD). Bu düşüşün hızı ve büyüklüğü, eğitim harcamalarının ekonomik getirisinde ciddi bir erozyon olduğunu veya eğitim sistemlerinin verimliliğinde sorunlar olabileceğini düşündürmektedir.

2. Yatırımın Döngüsel ve Konjonktüre Duyarlı Davranışı: Yatırım katsayısı 2000-2005’te pozitif, 2010-2015’te negatif, 2020’de tekrar pozitif olmuştur. Bu V-şekilli desen, yatırımın ekonomik getirisinin küresel ekonomik koşullara (2008 finansal krizi, COVID-19 pandemisi) son derece duyarlı olduğunu göstermektedir.

3. Sağlığın İstikrarlı, Güçlü ve Artan Pozitif Etkisi: Sağlık katsayısı tüm dönem boyunca yüksek ve pozitif kalmıştır (2,700-4,200 USD bandında). 2020’deki zirve (3,728 USD), COVID-19 pandemisinin sağlık yatırımlarının ekonomik önemini daha da görünür kıldığını göstermektedir.

Ekonomik Çıkarım: 2000-2022 döneminde, gelir belirleyicilerinin göreli öneminde belirgin bir kayma olmuştur. Eğitimin marjinal etkisi azalırken, sağlığın etkisi korunmuş ve hatta artmış, yatırımın etkisi ise döngüsel kalarak makroekonomik şoklara duyarlılığını sürdürmüştür.

9 8. Tartışma ve Sınırlılıklar

9.1 8.1 Ana Bulguların Özeti

Bu çalışma, eğitim harcamalarının kişi başına gelir üzerinde genellikle pozitif bir etkisi olduğunu göstermiştir. Ancak bu etkinin büyüklüğü, kontrol değişkenleri eklendiğinde azalmakta ve yıllar arasında önemli değişiklikler göstermektedir. Yatırım ve sağlık harcamaları da gelir üzerinde anlamlı etkilere sahiptir ve modele eklenmeleri açıklayıcı gücü önemli ölçüde artırmaktadır.

En Çarpıcı Bulgu: Eğitim harcamalarının ekonomik getirisinin 2000-2022 döneminde sürekli azalmış olması ve 2020’de negatif değere ulaşmasıdır. Bu, eğitim yatırımlarının verimliliğinde ciddi sorunlar olabileceğini veya eğitim-gelir ilişkisini etkileyen üçüncü faktörlerin (teknolojik değişim, küreselleşme, eğitim kalitesi) daha önemli hale geldiğini düşündürmektedir.

9.2 8.2 Politika Çıkarımları

1. Eğitim Yatırımlarında Kalite Odaklı Yaklaşım: Bulgular, eğitime yapılan harcama miktarından ziyade eğitimin kalitesinin önemli olduğunu göstermektedir. Politika yapıcılar, sadece bütçe artırmak yerine eğitim sistemlerinin verimliliğini ve kalitesini artıracak reformlara odaklanmalıdır.

2. Çok Boyutlu ve Entegre Kalkınma Politikası: Eğitim, yatırım ve sağlık arasındaki etkileşim, kalkınma politikalarının entegre bir şekilde tasarlanması gerektiğini göstermektedir. Tek bir alana odaklanmak yerine, bu üç alandaki yatırımları dengelemek daha etkili olabilir.

3. Zamana Duyarlı ve Esnek Politikalar: Katsayıların yıllar içindeki değişimi, ekonomik politikaların statik değil, değişen koşullara uyum sağlayacak şekilde dinamik olması gerektiğini vurgulamaktadır. Özellikle küresel şoklar (pandemiler, finansal krizler) karşısında politika esnekliği kritiktir.

4. Sağlık Yatırımlarının Önceliklendirilmesi: Sağlık harcamalarının tutarlı ve güçlü pozitif etkisi, sağlık yatırımlarının ekonomik büyüme stratejilerinde daha merkezi bir role sahip olması gerektiğini göstermektedir.

9.3 8.3 Sınırlılıklar

1. Gözlemlenemeyen Değişken Yanlılığı: Modele dahil edilmeyen ancak hem eğitim harcamalarını hem de geliri etkileyebilecek faktörler (kurumsal kalite, teknolojik kapasite, kültürel faktörler, eğitim kalitesi) tahminlerde yanlılığa neden olabilir.

2. Nedensellik Sorunu: OLS regresyonları korelasyonu gösterse de, nedenselliği kanıtlayamaz. Eğitim harcamalarındaki artışın geliri artırdığı mı, yoksa daha yüksek gelirin eğitim harcamalarını artırmasına olanak sağladığı mı belirsizdir.

3. Veri Kalitesi ve Eksiklikleri:

   • WDI verileri ülkeler arasında tutarlılık sorunları içerebilir. Bazı ülkelerde veri toplama metodolojileri diğerlerinden farklı olabilir.
   • 2023 yılı için veriler henüz tamamlanmamıştır, bu nedenle analiz 2022 ile sınırlandırılmıştır.
   • Veri temizleme sürecinde tüm değişkenler için eksiksiz veri gereksinimi, analize dahil edilen ülke sayısını azaltmış ve potansiyel olarak örneklem yanlılığına neden olmuş olabilir.

4. Basitleştirilmiş Model: Gerçekte, ekonomik büyüme çok daha karmaşık bir süreçtir ve bu analizde kullanılandan çok daha fazla faktör tarafından belirlenir. Model, bu karmaşıklığın sadece küçük bir kısmını yakalayabilmektedir.

5. Kesitsel Analizin Sınırları: Kesitsel analiz, zaman içindeki değişimleri yakalayamaz. Ülkelerin kendi içindeki dinamikleri anlamak için panel veri analizi daha uygun olabilirdi.

6. Doğrusallık Varsayımı: Model, değişkenler arasındaki ilişkinin doğrusal olduğunu varsaymaktadır. Ancak, özellikle yüksek gelirli ülkelerde eğitim-gelir ilişkisi doğrusal olmayabilir.

9.4 8.4 Gelecek Araştırmalar için Öneriler

1. Panel Veri Analizi: Aynı ülkeleri zaman içinde takip eden panel veri modelleri, nedensellik sorununu kısmen çözebilir ve ülke sabit etkilerini kontrol edebilir.

2. Etkileşim Terimleri ve Doğrusal Olmayan Modeller:

   • Eğitim, yatırım ve sağlık harcamaları arasındaki etkileşimleri incelemek için etkileşim terimlerinin modele eklenmesi.
   • Doğrusal olmayan ilişkileri yakalamak için polinom regresyon veya diğer doğrusal olmayan modellerin kullanılması.

3. Alt Grup Analizleri: Ülkeleri gelir gruplarına (düşük, orta, yüksek gelir), bölgelere veya kurumsal kalite düzeylerine göre ayırarak analizlerin tekrarlanması.

4. Alternatif Ölçütler ve Mekanizmalar:

   • Eğitim harcamaları yerine veya ek olarak, eğitim kalitesi ölçütlerinin (PISA skorları, TIMSS, ortalama eğitim süresi) kullanılması.
   • Sağlık harcamaları yerine sağlık çıktılarının (yaşam beklentisi, bebek ölüm oranı) kullanılması.
   • Eğitimin ekonomik büyümeyi nasıl etkilediğine dair mekanizmaların (teknolojik adaptasyon, yenilik kapasitesi) incelenmesi.

5. Gelişmiş Ekonometrik Yöntemler:

   • Enstrumental değişken yaklaşımı ile nedensellik sorununun ele alınması.
   • Quantile regresyon ile farklı gelir düzeylerindeki ülkeler için farklı etkilerin incelenmesi.

10 9. Sonuç

Bu çalışma, ülkeler arası gelir farklılıklarının anlaşılmasında eğitimin rolünü ampirik olarak incelemeyi amaçlamıştır. Dünya Bankası WDI verileri kullanılarak 2000-2022 dönemi için yapılan kesitsel OLS analizleri, eğitim harcamalarının kişi başına gelir ile pozitif ilişkili olduğunu, ancak bu ilişkinin zaman içinde zayıfladığını ve hatta 2020’de negatif hale geldiğini göstermiştir.

Ana bulgular şunlardır:

1. Eğitim Harcamalarının Azalan Getirisi: Eğitim harcamalarının kişi başına gelir üzerindeki etkisi 2000’den 2020’ye sürekli azalmıştır. Bu, eğitim yatırımlarının verimliliğinde sorunlar olabileceğini veya eğitim-gelir ilişkisini etkileyen diğer faktörlerin önem kazandığını göstermektedir.

2. Sağlık Harcamalarının Tutarlı ve Güçlü Etkisi: Sağlık harcamaları tüm dönem boyunca güçlü, pozitif ve istatistiksel olarak anlamlı bir etkiye sahiptir. Özellikle COVID-19 pandemisi sonrasında bu etkinin daha da önem kazandığı görülmektedir.

3. Yatırımın Döngüsel Doğası: Yatırımın ekonomik büyüme üzerindeki etkisi küresel ekonomik koşullara duyarlıdır ve zaman içinde önemli dalgalanmalar göstermektedir.

4. Çoklu Faktörlerin Önemi: Basit modellerin düşük açıklayıcı gücü (R²: 0.03-0.13), eğitimin tek başına gelir farklılıklarını açıklamada yetersiz kaldığını göstermektedir. Kontrol değişkenlerinin eklenmesiyle modelin açıklayıcı gücü önemli ölçüde artmaktadır (R²: 0.19-0.36).

Bu çalışmanın bulguları, ekonomik büyümenin çok boyutlu doğasını teyit etmekte ve kalkınma politikalarının tek bir faktöre odaklanmak yerine, eğitim, sağlık ve fiziksel sermaye yatırımlarını dengeli bir şekilde içermesi gerektiğini göstermektedir. Özellikle eğitim yatırımlarında miktardan ziyade kaliteye odaklanmanın önemi vurgulanmalıdır.

Çalışmanın sınırlılıkları göz önünde bulundurulduğunda, bulgular eğitim yatırımlarının önemini vurgulamakla birlikte, bu yatırımların verimliliğinin ve diğer ekonomik faktörlerle etkileşiminin dikkatle değerlendirilmesi gerektiğine işaret etmektedir. Gelecek araştırmalar, panel veri yöntemleri, doğrusal olmayan modeller ve daha kapsamlı değişken setleri kullanarak bu ilişkileri daha derinlemesine inceleyebilir.

11 Kaynakça

Barro, R. J. (1991). Economic growth in a cross section of countries. The Quarterly Journal of Economics, 106(2), 407-443.

Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to education. University of Chicago Press.

Hanushek, E. A., & Woessmann, L. (2008). The role of cognitive skills in economic development. Journal of Economic Literature, 46(3), 607-668.

Mankiw, N. G., Romer, D., & Weil, D. N. (1992). A contribution to the empirics of economic growth. The Quarterly Journal of Economics, 107(2), 407-437.

Psacharopoulos, G., & Patrinos, H. A. (2004). Returns to investment in education: a further update. Education Economics, 12(2), 111-134.

Schultz, T. W. (1961). Investment in human capital. The American Economic Review, 51(1), 1-17.

World Bank. (2024). World Development Indicators. Washington, DC: World Bank. Retrieved from https://databank.worldbank.org/source/world-development-indicators