Giriş: Bu projenin amacı, Merkez Bankası ve Dünya Bankası verileri kullanılarak bazı önemli makroekonomik göstergelerin analiz edilmesidir. Çalışmada, bir ülkenin ekonomik ve sosyal durumunu daha iyi anlamaya yardımcı olan temel göstergeler ele alınmıştır.

Bu kapsamda dört ana değişken incelenmiştir. Doğuşta yaşam beklentisi, toplumun yaşam kalitesi ve refah düzeyi hakkında bilgi vermektedir. Kişi başına düşen Gayri Safi Yurt İçi Hasıla (GSYH), ekonomik gelişmişlik düzeyini göstermektedir. Tüketici fiyatları enflasyonu, fiyat istikrarını yansıtan önemli bir göstergedir. Gayri safi sermaye oluşumu ise ekonomideki yatırım düzeyini ifade etmektedir.

Veriler RStudio programı kullanılarak analiz edilmiştir. Bu sayede değişkenler arasındaki ilişkiler, grafikler ve istatistiksel yöntemler aracılığıyla daha açık bir şekilde yorumlanabilmiştir.

SP.DYN.LE00.IN Life expectancy at birth, total (years)
NY.GDP.PCAP.CD GDP per capital (current US$)
FP.CPI.TOTL.ZG Inflation, consumer prices (annual %)
NE.GDI.TOTL.ZS Gross capital formation (% of GDP)

library(WDI)

data <- WDI(indicator =c("SP.DYN.LE00.IN", "NY.GDP.PCAP.CD" , "FP.CPI.TOTL.ZG", "NE.GDI.TOTL.ZS"))

write_csv(data, "development_indicator,csv")

library(tidyverse)

df<- read.csv("development_indicators.csv")

ekstra <- WDI_data$country

dfekstra <- left_join(df, ekstra)

## Joining with `by = join_by(country, iso2c, iso3c)`

df_ulkeler <- dfekstra %>% filter(region != "Aggregates")

df_ulkeler_temiz <- df_ulkeler %>% filter(!is.na(SP.DYN.LE00.IN),
                                         !is.na(NY.GDP.PCAP.CD),                             
                                         !is.na(FP.CPI.TOTL.ZG),
                                         !is.na(NE.GDI.TOTL.ZS))

unique(df_ulkeler_temiz$region)

## [1] "South Asia"                 "Europe & Central Asia"     
## [3] "Middle East & North Africa" "Sub-Saharan Africa"        
## [5] "Latin America & Caribbean"  "East Asia & Pacific"       
## [7] "North America"

df_avrupa_ca <- df_ulkeler_temiz %>% filter(region ==  "Europe & Central Asia" )

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

df_2000 <- df_2000 %>% filter(!is.na(SP.DYN.LE00.IN))
df_2000 <- df_2000 %>% filter(!is.na(NY.GDP.PCAP.CD)) 
df_2000 <- df_2000 %>% filter(!is.na(FP.CPI.TOTL.ZG))
df_2000 <- df_2000 %>% filter(!is.na(NE.GDI.TOTL.ZS))

df_2005 <- df_2005 %>% filter(!is.na(SP.DYN.LE00.IN))
df_2005 <- df_2005 %>% filter(!is.na(NY.GDP.PCAP.CD)) 
df_2005 <- df_2005 %>% filter(!is.na(FP.CPI.TOTL.ZG))
df_2005 <- df_2005 %>% filter(!is.na(NE.GDI.TOTL.ZS))

df_2010 <- df_2010 %>% filter(!is.na(SP.DYN.LE00.IN))
df_2010 <- df_2010 %>% filter(!is.na(NY.GDP.PCAP.CD)) 
df_2010 <- df_2010 %>% filter(!is.na(FP.CPI.TOTL.ZG))
df_2010 <- df_2010 %>% filter(!is.na(NE.GDI.TOTL.ZS))

df_2015 <- df_2015 %>% filter(!is.na(SP.DYN.LE00.IN))
df_2015 <- df_2015 %>% filter(!is.na(NY.GDP.PCAP.CD)) 
df_2015 <- df_2015 %>% filter(!is.na(FP.CPI.TOTL.ZG))
df_2015 <- df_2015 %>% filter(!is.na(NE.GDI.TOTL.ZS))

df_2020 <- df_2020 %>% filter(!is.na(SP.DYN.LE00.IN))
df_2020 <- df_2020 %>% filter(!is.na(NY.GDP.PCAP.CD)) 
df_2020 <- df_2020 %>% filter(!is.na(FP.CPI.TOTL.ZG))
df_2020 <- df_2020 %>% filter(!is.na(NE.GDI.TOTL.ZS))

df_2023 <- df_2023 %>% filter(!is.na(SP.DYN.LE00.IN))
df_2023 <- df_2023 %>% filter(!is.na(NY.GDP.PCAP.CD)) 
df_2023 <- df_2023 %>% filter(!is.na(FP.CPI.TOTL.ZG))
df_2023 <- df_2023 %>% filter(!is.na(NE.GDI.TOTL.ZS))

df_ulkeler_temiz <- df_ulkeler %>% filter(!is.na(SP.DYN.LE00.IN),
                                         !is.na(NY.GDP.PCAP.CD),                             
                                         !is.na(FP.CPI.TOTL.ZG),
                                         !is.na(NE.GDI.TOTL.ZS))

nrow(df_ulkeler)

## [1] 13910

nrow(df_ulkeler_temiz)

## [1] 6901

nrow(df_avrupa_ca)

## [1] 1921

nrow(df_2000)

## [1] 137

nrow(df_2005)

## [1] 145

nrow(df_2010)

## [1] 159

nrow(df_2015)

## [1] 165

nrow(df_2020)

## [1] 159

nrow(df_2023)

## [1] 153

DOĞUŞTA YAŞAM BEKLENTISI VE KIŞI BAŞINA DÜŞEN GAYRI SAFI YURT IÇI HASILA (AVRUPA VE ORTA ASYA)

Bu çalışmanın ilk bölümünde, ekonomik gelişmişlik ile toplum sağlığı arasındaki ilişki grafiksel olarak incelenmektedir. Bu amaçla iki temel değişken kullanılmaktadır: kişi başına düşen gayri safi yurt içi hasıla (GDP per capita, cari ABD doları) ve doğuşta yaşam beklentisi. ##Analiz, 2000, 2005, 2010, 2015, 2020 ve 2023 yılları için ve Avrupa ve Orta Asya bölgesindeki ülkeleri kapsayacak şekilde yapılmıştır. Her grafik, ülkeleri noktalar halinde göstermekte; yatay eksende kişi başına gelir, dikey eksende ise yaşam beklentisi yer almaktadır. Değişkenler arasındaki genel eğilimi göstermek amacıyla grafiklere doğrusal regresyon doğrusu eklenmiştir.Bu grafiksel analiz sayesinde, kişi başına geliri yüksek olan ülkelerin ortalama olarak daha uzun bir yaşam beklentisine sahip olup olmadığı gözlemlenebilmektedir. Grafikler, ekonometrik regresyon analizine geçmeden önce değişkenler arasındaki ilişkinin genel yapısını anlamak için betimleyici bir ilk adım niteliğindedir.

2000 YILI

ggplot(df_2000, aes( x = NY.GDP.PCAP.CD, y = SP.DYN.LE00.IN)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia - 2000", x ="GDP per capita",   y = "life expertancy" )

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

regresyon_2000 <- lm( SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2000)

summary(regresyon_2000)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -17.871  -3.892   2.039   5.214  10.956 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.435e+01  7.178e-01  89.651   <2e-16 ***
## NY.GDP.PCAP.CD 5.263e-04  5.383e-05   9.777   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.803 on 135 degrees of freedom
## Multiple R-squared:  0.4146, Adjusted R-squared:  0.4102 
## F-statistic:  95.6 on 1 and 135 DF,  p-value: < 2.2e-16

alpha_2000 <- coef(regresyon_2000)[1]

beta_2000 <- coef(regresyon_2000)[2]

r2_2000 <- summary(regresyon_2000)$r.squared

pval_2000 <- summary(regresyon_2000)$coefficients[2, 4]

alpha_2000

## (Intercept) 
##     64.3542

beta_2000

## NY.GDP.PCAP.CD 
##   0.0005262704

r2_2000

## [1] 0.4145637

pval_2000

## [1] 2.126566e-17

result_IC_2000 <- data.frame(year = 2000, Intercept = alpha_2000, Beta_x = beta_2000, R2  = r2_2000,  p_value = pval_2000 )

summary(regresyon_2000)$r.squared

## [1] 0.4145637

#Şekil X. 2000 yılında Avrupa ve Orta Asya ülkelerinde kişi başına düşen gelir (GDP per capita) ile doğuşta beklenen yaşam süresi arasındaki ilişki gösterilmektedir. Her bir nokta bir ülkeyi temsil etmektedir. Regresyon doğrusu, kişi başına düşen gelir ile yaşam süresi arasında pozitif ve istatistiksel olarak anlamlı bir ilişki olduğunu göstermektedir. Kişi başına gelir arttıkça, ortalama yaşam süresinin de arttığı gözlemlenmektedir. Model, yaşam süresindeki değişimin yaklaşık %41’ini açıklamaktadır.

2005 YILI

ggplot(df_2005, aes( x = NY.GDP.PCAP.CD, y = SP.DYN.LE00.IN)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia - 2005", x ="GDP per capita",   y = "life expertancy" )

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

regresyon_2005 <- lm( SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2005)

summary(regresyon_2005)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2005)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -17.357  -4.353   2.005   5.181  11.799 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.546e+01  6.828e-01   95.86   <2e-16 ***
## NY.GDP.PCAP.CD 3.447e-04  3.423e-05   10.07   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.682 on 143 degrees of freedom
## Multiple R-squared:  0.4149, Adjusted R-squared:  0.4108 
## F-statistic: 101.4 on 1 and 143 DF,  p-value: < 2.2e-16

alpha_2005 <- coef(regresyon_2005)[1]

beta_2005 <- coef(regresyon_2005)[2]

r2_2005 <- summary(regresyon_2005)$r.squared

pval_2005 <- summary(regresyon_2005)$coefficients[2, 4]

alpha_2005

## (Intercept) 
##    65.45685

beta_2005

## NY.GDP.PCAP.CD 
##   0.0003446787

r2_2005

## [1] 0.414928

pval_2005

## [1] 2.322018e-18

result_IC_2005 <- data.frame(year = 2005, Intercept = alpha_2005, Beta_x = beta_2005, R2  = r2_2005,  p_value = pval_2005 )

summary(regresyon_2005)$r.squared

## [1] 0.414928

2010

ggplot(df_2010, aes( x = NY.GDP.PCAP.CD, y = SP.DYN.LE00.IN)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia - 2010", x ="GDP per capita",   y = "life expertancy" )

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

regresyon_2010 <- lm( SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2010)

summary(regresyon_2010)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2010)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -21.363  -3.593   1.671   4.866  10.634 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.659e+01  6.647e-01  100.18   <2e-16 ***
## NY.GDP.PCAP.CD 2.860e-04  2.758e-05   10.37   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.742 on 157 degrees of freedom
## Multiple R-squared:  0.4065, Adjusted R-squared:  0.4027 
## F-statistic: 107.5 on 1 and 157 DF,  p-value: < 2.2e-16

alpha_2010 <- coef(regresyon_2010)[1]

beta_2010 <- coef(regresyon_2010)[2]

r2_2010 <- summary(regresyon_2010)$r.squared

pval_2010 <- summary(regresyon_2010)$coefficients[2, 4]

alpha_2010

## (Intercept) 
##    66.59385

beta_2010

## NY.GDP.PCAP.CD 
##   0.0002859601

r2_2010

## [1] 0.4065073

pval_2010

## [1] 1.614248e-19

result_IC_2010 <- data.frame(year = 2010, Intercept = alpha_2005, Beta_x = beta_2010, R2  = r2_2010,  p_value = pval_2010 )

summary(regresyon_2010)$r.squared

## [1] 0.4065073

2015

ggplot(df_2015, aes( x = NY.GDP.PCAP.CD, y = SP.DYN.LE00.IN)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia - 2015", x ="GDP per capita",   y = "life expertancy" )

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

regresyon_2015 <- lm( SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2015)

summary(regresyon_2015)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2015)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -28.676  -4.030   1.452   4.477   9.053 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.813e+01  6.166e-01  110.49   <2e-16 ***
## NY.GDP.PCAP.CD 2.795e-04  2.550e-05   10.96   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.301 on 163 degrees of freedom
## Multiple R-squared:  0.4244, Adjusted R-squared:  0.4208 
## F-statistic: 120.2 on 1 and 163 DF,  p-value: < 2.2e-16

alpha_2015 <- coef(regresyon_2015)[1]

beta_2015 <- coef(regresyon_2015)[2]

r2_2015 <- summary(regresyon_2015)$r.squared

pval_2015 <- summary(regresyon_2015)$coefficients[2, 4]

alpha_2015

## (Intercept) 
##    68.13099

beta_2015

## NY.GDP.PCAP.CD 
##    0.000279537

r2_2015

## [1] 0.4243542

pval_2015

## [1] 2.694468e-21

result_IC_2015 <- data.frame(year = 2015, Intercept = alpha_2015, Beta_x = beta_2015, R2  = r2_2015,  p_value = pval_2015 )

summary(regresyon_2015)$r.squared

## [1] 0.4243542

2020

ggplot(df_2020, aes( x = NY.GDP.PCAP.CD, y = SP.DYN.LE00.IN)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia - 2020", x ="GDP per capita",   y = "life expertancy" )

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

regresyon_2020 <- lm( SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2020)

summary(regresyon_2020)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2020)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -18.340  -3.023   1.135   3.683   8.015 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.882e+01  5.259e-01  130.86   <2e-16 ***
## NY.GDP.PCAP.CD 2.543e-04  2.074e-05   12.26   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.291 on 157 degrees of freedom
## Multiple R-squared:  0.4891, Adjusted R-squared:  0.4858 
## F-statistic: 150.3 on 1 and 157 DF,  p-value: < 2.2e-16

alpha_2020 <- coef(regresyon_2020)[1]

beta_2020 <- coef(regresyon_2020)[2]

r2_2020 <- summary(regresyon_2020)$r.squared

pval_2020 <- summary(regresyon_2020)$coefficients[2, 4]

alpha_2020

## (Intercept) 
##    68.81819

beta_2020

## NY.GDP.PCAP.CD 
##    0.000254286

r2_2020

## [1] 0.4890613

pval_2020

## [1] 1.15547e-24

result_IC_2020 <- data.frame(year = 2020, Intercept = alpha_2020, Beta_x = beta_2020, R2  = r2_2020,  p_value = pval_2020 )

summary(regresyon_2000)$r.squared

## [1] 0.4145637

2023

ggplot(df_2023, aes( x = NY.GDP.PCAP.CD, y = SP.DYN.LE00.IN)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia - 2023", x ="GDP per capita",   y = "life expertancy" )

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

regresyon_2023 <- lm( SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2023)

summary(regresyon_2023)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD, data = df_2023)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -15.539  -3.342   1.054   3.771   8.158 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    7.042e+01  5.219e-01  134.93   <2e-16 ***
## NY.GDP.PCAP.CD 1.954e-04  1.667e-05   11.72   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.073 on 151 degrees of freedom
## Multiple R-squared:  0.4766, Adjusted R-squared:  0.4731 
## F-statistic: 137.5 on 1 and 151 DF,  p-value: < 2.2e-16

alpha_2023 <- coef(regresyon_2023)[1]

beta_2023 <- coef(regresyon_2023)[2]

r2_2023 <- summary(regresyon_2023)$r.squared

pval_2023 <- summary(regresyon_2023)$coefficients[2, 4]

alpha_2023

## (Intercept) 
##    70.42278

beta_2023

## NY.GDP.PCAP.CD 
##   0.0001954325

r2_2023

## [1] 0.4765511

pval_2023

## [1] 5.554169e-23

result_IC_2023 <- data.frame(year = 2023, Intercept = alpha_2005, Beta_x = beta_2023, R2  = r2_2023,  p_value = pval_2023 )

summary(regresyon_2023)$r.squared

## [1] 0.4765511

Grafik Sonuçlari (Yıllar Arası Karşılaştırma)

2000–2023 arasinda döneminde Avrupa ve Orta Asya ülkelerinde ortalama yaşam beklentisinin kademeli olarak arttığı görülmektedir. Aynı kişi başına düşen gelir düzeyinde bile, ilerleyen yıllarda yaşam beklentisinin daha yüksek seviyelere ulaştığı dikkat çekmektedir. Kişi başına düşen GSYH ile yaşam beklentisi arasındaki pozitif ilişki tüm yıllarda korunmakla birlikte, zamanla bu ilişkinin etkisi zayıflamaktadır. Özellikle yüksek gelir seviyelerinde, gelir artışlarının yaşam beklentisi üzerindeki marjinal etkisi azalmaktadır. Bu durum, yıllar içinde sağlık hizmetleri, sosyal politikalar ve yaşam koşullarındaki gelişmelerin, gelir dışında da yaşam beklentisini artıran önemli faktörler haline geldiğini göstermektedir.

KATSAYI TABLOSU (2000,2005,2010,2015,2020,2023)

Aşağıdaki tabloda, doğuşta beklenen yaşam süresi (Life Expectancy at Birth) ile gayri safi sermaye oluşumu (Gross Capital Formation) arasındaki ilişkinin tahmin edildiği regresyon sonuçları sunulmaktadır. Her bir yıl için tahmin edilen katsayılar, modelin açıklama gücü (R²) ve katsayıların istatistiksel anlamlılığı raporlanmıştır. Bu tablo, değişkenler arasındaki ilişkinin yıllar itibarıyla nasıl değiştiğini karşılaştırmalı olarak incelemeyi amaçlamaktadır.

katsayi_tablosu_IC <- rbind(result_IC_2000, result_IC_2005, result_IC_2010,result_IC_2015, result_IC_2020, result_IC_2023)

katsayi_tablosu_IC

##              year Intercept       Beta_x        R2      p_value
## (Intercept)  2000  64.35420 0.0005262704 0.4145637 2.126566e-17
## (Intercept)1 2005  65.45685 0.0003446787 0.4149280 2.322018e-18
## (Intercept)2 2010  65.45685 0.0002859601 0.4065073 1.614248e-19
## (Intercept)3 2015  68.13099 0.0002795370 0.4243542 2.694468e-21
## (Intercept)4 2020  68.81819 0.0002542860 0.4890613 1.155470e-24
## (Intercept)5 2023  65.45685 0.0001954325 0.4765511 5.554169e-23

2000 yılında sabit terim (Intercept) yaklaşık 64,35 olup Beta_x katsayısı pozitif ve istatistiksel olarak anlamlıdır; bu durum bağımsız değişken ile bağımlı değişken arasında pozitif bir ilişki olduğunu ve modelin açıklama gücünün orta düzeyde olduğunu göstermektedir (R² ≈ 0,41). 2005 ve 2010 yıllarında da bu pozitif ve anlamlı ilişki devam etmekle birlikte Beta_x katsayısının giderek azalması, bağımsız değişkenin etkisinin zamanla zayıfladığını göstermektedir; buna karşın R² değeri büyük ölçüde sabit kalmıştır. 2015 yılında sabit terimde artış ve R²’de sınırlı bir iyileşme (≈ 0,42) gözlenmiş, bu da modelin açıklayıcılığının bir miktar güçlendiğini göstermiştir. 2020 yılında model en yüksek açıklama gücüne ulaşmış (R² ≈ 0,49) ve bağımsız değişkenin bağımlı değişken üzerindeki etkisi daha belirgin hâle gelmiştir. Ancak 2023 yılında belirgin bir yapısal kırılma ortaya çıkmış; Beta_x katsayısı negatif olmuş, sabit terim keskin biçimde düşmüş ve R² değeri önemli ölçüde azalarak modelin açıklama gücünün önceki yıllara kıyasla ciddi şekilde zayıfladığını göstermiştir.

ENFLASYON(INFLATION,CONSUMER PRICES) VE GAYRI SAFI SERMAYE OLUSUMU(CROSS CAPITAL FORMATION ) (2000,2005,2010,2015,2020,2023)

Bu bölümde, enflasyon ile gayri safi sermaye oluşumu (Gross Capital Formation) arasındaki ilişki analiz edilmektedir. Gayri safi sermaye oluşumu, yatırımların GSYH içindeki payını temsil etmekte olup, bu değişken Dünya Bankası’nın tanımına uygun olarak kullanılmaktadır.

2000

ggplot(df_2000, aes(x = NE.GDI.TOTL.ZS, y = FP.CPI.TOTL.ZG )) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia -2000",  x ="cross capital formation(%of GDP)",   y = "inflasyon,consumer prices (annual %)", )

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

regresyon_2000 <- lm( NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2000)

summary(regresyon_2000)

## 
## Call:
## lm(formula = NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -22.157  -3.406   0.172   3.995  31.937 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    22.16741    0.59382  37.330   <2e-16 ***
## FP.CPI.TOTL.ZG -0.01547    0.01228  -1.259     0.21    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.743 on 135 degrees of freedom
## Multiple R-squared:  0.01161,    Adjusted R-squared:  0.004291 
## F-statistic: 1.586 on 1 and 135 DF,  p-value: 0.2101

alpha_2000 <- coef(regresyon_2000)[1]

beta_2000 <- coef(regresyon_2000)[2]

r2_2000 <- summary(regresyon_2000)$r.squared

pval_2000 <- summary(regresyon_2000)$coefficients[2, 4]

alpha_2000

## (Intercept) 
##    22.16741

beta_2000

## FP.CPI.TOTL.ZG 
##    -0.01546661

r2_2000

## [1] 0.01161265

pval_2000

## [1] 0.2100535

result_LG_2000 <- data.frame(year = 2000, Intercept = alpha_2000, Beta_x = beta_2000, R2  = r2_2000,  p_value = pval_2000 )

summary(regresyon_2000)$r.squared

## [1] 0.01161265

2005

ggplot(df_2005, aes(x = NE.GDI.TOTL.ZS, y = FP.CPI.TOTL.ZG)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia -2005",  x ="cross capital formation(%of GDP)",   y = "inflasyon,consumer prices (annual %)", )

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

regresyon_2005 <- lm( NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2005)

summary(regresyon_2005)

## 
## Call:
## lm(formula = NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2005)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -23.988  -4.968  -0.897   3.538  37.025 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     24.4204     0.9719  25.126   <2e-16 ***
## FP.CPI.TOTL.ZG  -0.0434     0.1231  -0.353    0.725    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8.036 on 143 degrees of freedom
## Multiple R-squared:  0.0008693,  Adjusted R-squared:  -0.006118 
## F-statistic: 0.1244 on 1 and 143 DF,  p-value: 0.7248

alpha_2005 <- coef(regresyon_2005)[1]

beta_2005 <- coef(regresyon_2005)[2]

r2_2005 <- summary(regresyon_2005)$r.squared

pval_2005 <- summary(regresyon_2005)$coefficients[2, 4]

alpha_2005

## (Intercept) 
##    24.42037

beta_2005

## FP.CPI.TOTL.ZG 
##    -0.04340496

r2_2005

## [1] 0.0008692721

pval_2005

## [1] 0.7248149

result_LG_2005 <- data.frame(year = 2005, Intercept = alpha_2005, Beta_x = beta_2005, R2  = r2_2005,  p_value = pval_2005 )

summary(regresyon_2005)$r.squared

## [1] 0.0008692721

2010

ggplot(df_2010, aes(x = NE.GDI.TOTL.ZS, y = FP.CPI.TOTL.ZG)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia -2010",  x ="cross capital formation(%of GDP)",   y = "inflasyon,consumer prices (annual %)", )

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

regresyon_2010 <- lm( NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2010)

summary(regresyon_2010)

## 
## Call:
## lm(formula = NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2010)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -25.798  -5.130  -1.509   3.525  37.411 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     23.7809     0.9353  25.426   <2e-16 ***
## FP.CPI.TOTL.ZG   0.2475     0.1637   1.512    0.133    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8.204 on 157 degrees of freedom
## Multiple R-squared:  0.01435,    Adjusted R-squared:  0.008075 
## F-statistic: 2.286 on 1 and 157 DF,  p-value: 0.1325

alpha_2010 <- coef(regresyon_2010)[1]

beta_2010 <- coef(regresyon_2010)[2]

r2_2010 <- summary(regresyon_2010)$r.squared

pval_2010 <- summary(regresyon_2020)$coefficients[2, 4]

alpha_2010

## (Intercept) 
##    23.78095

beta_2010

## FP.CPI.TOTL.ZG 
##      0.2475038

r2_2010

## [1] 0.01435329

pval_2010

## [1] 1.15547e-24

result_LG_2010 <- data.frame(year = 2010, Intercept = alpha_2010, Beta_x = beta_2010, R2  = r2_2010,  p_value = pval_2010 )

summary(regresyon_2010)$r.squared

## [1] 0.01435329

2015

ggplot(df_2015, aes(x = NE.GDI.TOTL.ZS, y = FP.CPI.TOTL.ZG)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia -2015",  x ="cross capital formation(%of GDP)",   y = "inflasyon,consumer prices (annual %)", )

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

regresyon_2015 <- lm( NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2015)

summary(regresyon_2015)

## 
## Call:
## lm(formula = NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2015)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -29.477  -4.897  -0.865   3.735  51.531 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    25.47194    0.73384   34.71   <2e-16 ***
## FP.CPI.TOTL.ZG -0.06966    0.06164   -1.13     0.26    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8.88 on 163 degrees of freedom
## Multiple R-squared:  0.007776,   Adjusted R-squared:  0.001688 
## F-statistic: 1.277 on 1 and 163 DF,  p-value: 0.26

alpha_2015 <- coef(regresyon_2015)[1]

beta_2015 <- coef(regresyon_2015)[2]

r2_2015 <- summary(regresyon_2015)$r.squared

pval_2015 <- summary(regresyon_2015)$coefficients[2, 4]

alpha_2015

## (Intercept) 
##    25.47194

beta_2015

## FP.CPI.TOTL.ZG 
##    -0.06966299

r2_2015

## [1] 0.00777574

pval_2015

## [1] 0.2600474

result_LG_2015 <- data.frame(year = 2015, Intercept = alpha_2015, Beta_x = beta_2015, R2  = r2_2015,  p_value = pval_2015 )

summary(regresyon_2015)$r.squared

## [1] 0.00777574

2020

ggplot(df_2020, aes(x = NE.GDI.TOTL.ZS, y = FP.CPI.TOTL.ZG)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia -2020",  x ="cross capital formation(%of GDP)",   y = "inflasyon,consumer prices (annual %)", )

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

regresyon_2020 <- lm( NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2020)

summary(regresyon_2020)

## 
## Call:
## lm(formula = NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2020)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -24.148  -5.124  -1.137   4.875  24.934 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    23.95612    0.64785  36.978   <2e-16 ***
## FP.CPI.TOTL.ZG -0.03167    0.01379  -2.297    0.023 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8.043 on 157 degrees of freedom
## Multiple R-squared:  0.0325, Adjusted R-squared:  0.02634 
## F-statistic: 5.274 on 1 and 157 DF,  p-value: 0.02297

alpha_2020 <- coef(regresyon_2020)[1]

beta_2020 <- coef(regresyon_2020)[2]

r2_2020 <- summary(regresyon_2020)$r.squared

pval_2020 <- summary(regresyon_2020)$coefficients[2, 4]

alpha_2020

## (Intercept) 
##    23.95612

beta_2020

## FP.CPI.TOTL.ZG 
##    -0.03167377

r2_2020

## [1] 0.03250029

pval_2020

## [1] 0.02296891

result_LG_2020 <- data.frame(year = 2020, Intercept = alpha_2020, Beta_x = beta_2020, R2  = r2_2020,  p_value = pval_2020 )

summary(regresyon_2020)$r.squared

## [1] 0.03250029

2023

ggplot(df_2023, aes(x = NE.GDI.TOTL.ZS, y = FP.CPI.TOTL.ZG)) +
  geom_point() + geom_smooth(method = "lm" , se = FALSE) + labs( title= "Europe & Central Asia -2023",  x ="cross capital formation(%of GDP)",   y = "inflasyon,consumer prices (annual %)", )

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

regresyon_2023 <- lm( NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2023)

summary(regresyon_2023)

## 
## Call:
## lm(formula = NE.GDI.TOTL.ZS ~ FP.CPI.TOTL.ZG, data = df_2023)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -28.0946  -4.2521  -0.5793   2.9751  22.6350 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    24.47109    0.65304  37.472  < 2e-16 ***
## FP.CPI.TOTL.ZG -0.07477    0.02724  -2.745  0.00678 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.306 on 151 degrees of freedom
## Multiple R-squared:  0.04754,    Adjusted R-squared:  0.04124 
## F-statistic: 7.537 on 1 and 151 DF,  p-value: 0.006777

alpha_2023 <- coef(regresyon_2023)[1]

beta_2023 <- coef(regresyon_2023)[2]

r2_2023 <- summary(regresyon_2023)$r.squared

pval_2023 <- summary(regresyon_2023)$coefficients[2, 4]

alpha_2023

## (Intercept) 
##    24.47109

beta_2023

## FP.CPI.TOTL.ZG 
##    -0.07477286

r2_2023

## [1] 0.04754335

pval_2023

## [1] 0.006777169

result_LG_2023 <- data.frame(year = 2023, Intercept = alpha_2023, Beta_x = beta_2023, R2  = r2_2023,  p_value = pval_2023 )

summary(regresyon_2023)$r.squared

## [1] 0.04754335

katsayi_tablosu_LG <- rbind(result_LG_2000, result_LG_2005, result_LG_2010, result_LG_2015, result_LG_2020, result_LG_2023)

katsayi_tablosu_LG

##              year Intercept      Beta_x           R2      p_value
## (Intercept)  2000  22.16741 -0.01546661 0.0116126496 2.100535e-01
## (Intercept)1 2005  24.42037 -0.04340496 0.0008692721 7.248149e-01
## (Intercept)2 2010  23.78095  0.24750377 0.0143532921 1.155470e-24
## (Intercept)3 2015  25.47194 -0.06966299 0.0077757402 2.600474e-01
## (Intercept)4 2020  23.95612 -0.03167377 0.0325002855 2.296891e-02
## (Intercept)5 2023  24.47109 -0.07477286 0.0475433451 6.777169e-03

Grafiklerin Yorumu (Avrupa & Orta Asya)

2000, Enflasyon çok dağınık ve bazı ülkelerde çok yüksek değerler var.Sabit sermaye oluşumu ile enflasyon arasında belirgin bir ilişki yok.2005,Enflasyon 2000’e göre daha düşük.Zayıf bir pozitif eğilim var ama ilişki güçlü değil.2010 Enflasyon genel olarak düşük ve daha istikrarlı.İki değişken arasındaki ilişki çok zayıf.2015:Enflasyon çoğu ülkede düşük, birkaç uç değer mevcut.Anlamlı bir ilişki gözlemlenmiyor.2020:Enflasyon çok düşük, bazı ülkelerde kriz kaynaklı sapmalar var.Net bir ilişki yok.2023:Enflasyon birçok ülkede tekrar yükselmiş.Buna rağmen sabit sermaye oluşumu ile enflasyon arasındaki ilişki hala zayıf.

Yıllara Göre Karşılaştırma (İkinci Regresyon)

2000 yılında brüt sermaye oluşumunun enflasyon üzerindeki etkisi oldukça zayıf olup modelin açıklama gücü düşüktür. 2005 yılında bu ilişki daha da zayıflamış ve açıklama gücü neredeyse yok denecek seviyeye inmiştir. 2010 yılında katsayı artmasına rağmen modelin enflasyonu açıklama gücü düşük kalmıştır. 2015 yılında da benzer şekilde ilişkinin zayıf olduğu görülmektedir. Buna karşılık, 2020 yılında katsayının ve açıklama gücünün arttığı ve ilişkinin istatistiksel olarak anlamlı hale geldiği gözlemlenmektedir. 2023 yılında ise brüt sermaye oluşumunun enflasyon üzerindeki etkisi önceki yıllara kıyasla daha belirgin olup, modelin açıklama gücü en yüksek seviyeye ulaşmıştır.

SON BOLUM(X ~ Y + F + Z)

Çoklu Regresyon (X ~ Y + F + Z) ##Basit regresyon analizinden sonra, bu bölümde bagimli degisken birden fazla açiklayici degisken kullanilarak analiz edilmektedir. Amaç, Y, F ve Z degiskenlerinin X üzerindeki etkisini ayni anda incelemektir.Analiz, 2000, 2005, 2010, 2015, 2020 ve 2023 yillari için ve birden fazla ülke verisi kullanilarak yapilmistir. Çoklu regresyon yöntemi, degiskenler arasindaki iliskiyi daha kapsamli ve güvenilir bir sekilde degerlendirmeye olanak saglamaktadir.

regresyon_2000 <- lm(SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG, data = df_2000) 
regresyon_2005 <- lm(SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG, data = df_2005)
regresyon_2010 <- lm(SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG, data = df_2010)
regresyon_2015 <- lm(SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG, data = df_2015)
regresyon_2020 <- lm(SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG, data = df_2020)
regresyon_2023 <- lm(SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG, data = df_2023)

summary(regresyon_2000)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + 
##     FP.CPI.TOTL.ZG, data = df_2000)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -17.288  -3.479   1.411   4.510  11.448 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     5.770e+01  1.923e+00  30.007  < 2e-16 ***
## NY.GDP.PCAP.CD  4.882e-04  5.221e-05   9.350 2.79e-16 ***
## NE.GDI.TOTL.ZS  3.215e-01  8.355e-02   3.848 0.000184 ***
## FP.CPI.TOTL.ZG -1.004e-02  1.193e-02  -0.842 0.401237    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.471 on 133 degrees of freedom
## Multiple R-squared:  0.4782, Adjusted R-squared:  0.4664 
## F-statistic: 40.63 on 3 and 133 DF,  p-value: < 2.2e-16

summary(regresyon_2005)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + 
##     FP.CPI.TOTL.ZG, data = df_2005)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -16.006  -4.431   2.071   4.421  15.334 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     6.315e+01  1.863e+00  33.892  < 2e-16 ***
## NY.GDP.PCAP.CD  2.993e-04  3.456e-05   8.660 9.81e-15 ***
## NE.GDI.TOTL.ZS  2.000e-01  6.529e-02   3.063 0.002624 ** 
## FP.CPI.TOTL.ZG -3.485e-01  1.033e-01  -3.373 0.000961 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.273 on 141 degrees of freedom
## Multiple R-squared:  0.4915, Adjusted R-squared:  0.4806 
## F-statistic: 45.42 on 3 and 141 DF,  p-value: < 2.2e-16

summary(regresyon_2010)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + 
##     FP.CPI.TOTL.ZG, data = df_2010)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -21.785  -3.500   1.878   4.774  10.940 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     6.456e+01  1.896e+00  34.054   <2e-16 ***
## NY.GDP.PCAP.CD  2.878e-04  2.904e-05   9.911   <2e-16 ***
## NE.GDI.TOTL.ZS  9.008e-02  6.597e-02   1.366    0.174    
## FP.CPI.TOTL.ZG -5.448e-02  1.414e-01  -0.385    0.700    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.743 on 155 degrees of freedom
## Multiple R-squared:  0.4138, Adjusted R-squared:  0.4025 
## F-statistic: 36.48 on 3 and 155 DF,  p-value: < 2.2e-16

summary(regresyon_2015)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + 
##     FP.CPI.TOTL.ZG, data = df_2015)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -24.660  -3.976   1.591   4.561  11.714 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     6.735e+01  1.608e+00  41.899   <2e-16 ***
## NY.GDP.PCAP.CD  2.751e-04  2.593e-05  10.608   <2e-16 ***
## NE.GDI.TOTL.ZS  4.385e-02  5.574e-02   0.787    0.433    
## FP.CPI.TOTL.ZG -6.609e-02  4.444e-02  -1.487    0.139    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.279 on 161 degrees of freedom
## Multiple R-squared:  0.4353, Adjusted R-squared:  0.4248 
## F-statistic: 41.36 on 3 and 161 DF,  p-value: < 2.2e-16

summary(regresyon_2020)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + 
##     FP.CPI.TOTL.ZG, data = df_2020)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -18.571  -3.114   1.262   3.611   8.138 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     6.821e+01  1.349e+00  50.574   <2e-16 ***
## NY.GDP.PCAP.CD  2.500e-04  2.081e-05  12.011   <2e-16 ***
## NE.GDI.TOTL.ZS  3.322e-02  5.240e-02   0.634    0.527    
## FP.CPI.TOTL.ZG -1.392e-02  9.234e-03  -1.507    0.134    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.273 on 155 degrees of freedom
## Multiple R-squared:  0.4991, Adjusted R-squared:  0.4894 
## F-statistic: 51.48 on 3 and 155 DF,  p-value: < 2.2e-16

summary(regresyon_2023)

## 
## Call:
## lm(formula = SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + 
##     FP.CPI.TOTL.ZG, data = df_2023)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -14.9734  -3.1383   0.9388   3.4096   8.2959 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    6.741e+01  1.515e+00  44.481   <2e-16 ***
## NY.GDP.PCAP.CD 2.008e-04  1.672e-05  12.010   <2e-16 ***
## NE.GDI.TOTL.ZS 1.102e-01  5.615e-02   1.962   0.0517 .  
## FP.CPI.TOTL.ZG 2.957e-02  1.941e-02   1.524   0.1297    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.022 on 149 degrees of freedom
## Multiple R-squared:  0.4938, Adjusted R-squared:  0.4836 
## F-statistic: 48.45 on 3 and 149 DF,  p-value: < 2.2e-16

res_2000_multi <- data.frame(
  Year = 2000,
  Intercept = coef(regresyon_2000)[1],
  Beta_X = coef(regresyon_2000)["NY.GDP.PCAP.CD"],
  Beta_F = coef(regresyon_2000)["FP.CPI.TOTL.ZG"],
  Beta_Z = coef(regresyon_2000)["NE.GDI.TOTL.ZS"],
  R2 = summary(regresyon_2000)$r.squared,
  p_X = summary(regresyon_2000)$coefficients["NY.GDP.PCAP.CD", 4],
  p_F = summary(regresyon_2000)$coefficients["FP.CPI.TOTL.ZG", 4],
  p_Z = summary(regresyon_2000)$coefficients["NE.GDI.TOTL.ZS", 4]
)

res_2005_multi <- data.frame(
  Year = 2005,
  Intercept = coef(regresyon_2005)[1],
  Beta_X = coef(regresyon_2005)["NY.GDP.PCAP.CD"],
  Beta_F = coef(regresyon_2005)["FP.CPI.TOTL.ZG"],
  Beta_Z = coef(regresyon_2005)["NE.GDI.TOTL.ZS"],
  R2 = summary(regresyon_2005)$r.squared,
  p_X = summary(regresyon_2005)$coefficients["NY.GDP.PCAP.CD", 4],
  p_F = summary(regresyon_2005)$coefficients["FP.CPI.TOTL.ZG", 4],
  p_Z = summary(regresyon_2005)$coefficients["NE.GDI.TOTL.ZS", 4]
)

res_2010_multi <- data.frame(
  Year = 2010,
  Intercept = coef(regresyon_2010)[1],
  Beta_X = coef(regresyon_2010)["NY.GDP.PCAP.CD"],
  Beta_F = coef(regresyon_2010)["FP.CPI.TOTL.ZG"],
  Beta_Z = coef(regresyon_2010)["NE.GDI.TOTL.ZS"],
  R2 = summary(regresyon_2010)$r.squared,
  p_X = summary(regresyon_2010)$coefficients["NY.GDP.PCAP.CD", 4],
  p_F = summary(regresyon_2010)$coefficients["FP.CPI.TOTL.ZG", 4],
  p_Z = summary(regresyon_2010)$coefficients["NE.GDI.TOTL.ZS", 4]
)

res_2015_multi <- data.frame(
  Year = 2015,
  Intercept = coef(regresyon_2015)[1],
  Beta_X = coef(regresyon_2015)["NY.GDP.PCAP.CD"],
  Beta_F = coef(regresyon_2015)["FP.CPI.TOTL.ZG"],
  Beta_Z = coef(regresyon_2015)["NE.GDI.TOTL.ZS"],
  R2 = summary(regresyon_2015)$r.squared,
  p_X = summary(regresyon_2015)$coefficients["NY.GDP.PCAP.CD", 4],
  p_F = summary(regresyon_2015)$coefficients["FP.CPI.TOTL.ZG", 4],
  p_Z = summary(regresyon_2015)$coefficients["NE.GDI.TOTL.ZS", 4]
)

res_2020_multi <- data.frame(
  Year = 2020,
  Intercept = coef(regresyon_2020)[1],
  Beta_X = coef(regresyon_2020)["NY.GDP.PCAP.CD"],
  Beta_F = coef(regresyon_2020)["FP.CPI.TOTL.ZG"],
  Beta_Z = coef(regresyon_2020)["NE.GDI.TOTL.ZS"],
  R2 = summary(regresyon_2020)$r.squared,
  p_X = summary(regresyon_2020)$coefficients["NY.GDP.PCAP.CD", 4],
  p_F = summary(regresyon_2020)$coefficients["FP.CPI.TOTL.ZG", 4],
  p_Z = summary(regresyon_2020)$coefficients["NE.GDI.TOTL.ZS", 4]
)

res_2023_multi <- data.frame(
  Year = 2023,
  Intercept = coef(regresyon_2023)[1],
  Beta_X = coef(regresyon_2023)["NY.GDP.PCAP.CD"],
  Beta_F = coef(regresyon_2023)["FP.CPI.TOTL.ZG"],
  Beta_Z = coef(regresyon_2023)["NE.GDI.TOTL.ZS"],
  R2 = summary(regresyon_2023)$r.squared,
  p_X = summary(regresyon_2023)$coefficients["NY.GDP.PCAP.CD", 4],
  p_F = summary(regresyon_2023)$coefficients["FP.CPI.TOTL.ZG", 4],
  p_Z = summary(regresyon_2023)$coefficients["NE.GDI.TOTL.ZS", 4]
)

Final_tablosu <- dplyr::bind_rows(
  res_2000_multi,
  res_2005_multi,
  res_2010_multi,
  res_2015_multi,
  res_2020_multi,
  res_2023_multi
)

Final_tablosu

##                 Year Intercept       Beta_X      Beta_F     Beta_Z        R2
## (Intercept)...1 2000  57.70270 0.0004881471 -0.01004358 0.32145782 0.4781964
## (Intercept)...2 2005  63.15131 0.0002993124 -0.34853787 0.20000517 0.4914544
## (Intercept)...3 2010  64.55684 0.0002878406 -0.05447637 0.09007943 0.4138376
## (Intercept)...4 2015  67.35484 0.0002751205 -0.06609056 0.04385446 0.4352758
## (Intercept)...5 2020  68.21084 0.0002500106 -0.01391535 0.03322323 0.4990812
## (Intercept)...6 2023  67.40524 0.0002007806  0.02956857 0.11016026 0.4937800
##                          p_X          p_F          p_Z
## (Intercept)...1 2.786678e-16 0.4012372616 0.0001843972
## (Intercept)...2 9.807442e-15 0.0009605492 0.0026241780
## (Intercept)...3 3.056057e-18 0.7004952693 0.1740739895
## (Intercept)...4 2.861679e-20 0.1389371625 0.4325920777
## (Intercept)...5 6.558105e-24 0.1338383616 0.5269581258
## (Intercept)...6 1.146159e-23 0.1296896874 0.0516585157

SONUÇLAR VE GENEL DEĞERLENDİRME (ÇOK DEĞİŞKENLİ MODEL (SP.DYN.LE00.IN ~ NY.GDP.PCAP.CD + NE.GDI.TOTL.ZS + FP.CPI.TOTL.ZG,“XYFZ))

Yıllara Göre Analiz (2000–2023)

2000 yılında doğuşta yaşam beklentisi yaklaşık 64,35 yıl olarak gerçekleşmiştir. Kişi başına düşen GSYH’nin yaşam beklentisi üzerinde pozitif ve istatistiksel olarak anlamlı bir etkisi olduğu görülmektedir (β ≈ 0,00053, p < 0,01). Modelin açıklama gücü R² ≈ 0,41 olup, ekonomik büyüme ile yaşam beklentisi arasında güçlü bir ilişkiye işaret etmektedir. Buna karşılık, enflasyon ile brüt sermaye oluşumu arasındaki ilişki oldukça zayıf bulunmuştur (R² ≈ 0,01).
2005 yılında yaşam beklentisi yaklaşık 65,46 yıla yükselmiştir. GSYH’nin etkisi pozitif ve anlamlılığını korumakla birlikte, katsayı değeri 2000 yılına kıyasla bir miktar azalmıştır. Enflasyon ile sermaye oluşumu arasındaki ilişkinin bu yılda da istatistiksel olarak anlamsız olduğu görülmektedir. Çok değişkenli analiz sonuçları, GSYH’nin yaşam beklentisini etkileyen en önemli değişken olmaya devam ettiğini göstermektedir.
2010 yılında yaşam beklentisi artış eğilimini sürdürerek yaklaşık 65,46 yıl seviyesinde gerçekleşmiştir. GSYH katsayısı bir miktar düşmüş olsa da pozitif ve istatistiksel olarak anlamlı kalmıştır. Enflasyonun yaşam beklentisi üzerindeki etkisinin negatif olması, fiyat artışlarının bireylerin refah düzeyini olumsuz etkileyebileceğine işaret etmektedir.
2015 yılında yaşam beklentisi yaklaşık 68,13 yıla ulaşarak önceki yıllara kıyasla önemli bir artış göstermiştir. Kişi başına düşen GSYH’nin etkisi bu yılda da pozitif ve anlamlı olup, modelin açıklama gücü artmıştır. Buna karşın, sermaye oluşumu ve enflasyon değişkenlerinin etkileri görece zayıf kalmıştır.
2020 yılında yaşam beklentisi yaklaşık 68,82 yıl ile dönem içerisindeki en yüksek seviyelerden birine ulaşmıştır. Bu yıl, GSYH ile yaşam beklentisi arasındaki ilişkinin en güçlü olduğu dönemlerden biri olarak öne çıkmaktadır (R² ≈ 0,49). Enflasyon ve sermaye oluşumu değişkenleri ise istatistiksel olarak sınırlı bir etkiye sahiptir.
2023 yılında yaşam beklentisi yaklaşık 65,46 yıla gerilemiştir. GSYH’nin yaşam beklentisi üzerindeki pozitif etkisi devam etmekle birlikte, önceki yıllara kıyasla nispeten zayıfladığı gözlemlenmektedir. Enflasyon daha dalgalı bir yapı sergilemiş olsa da, çok değişkenli model sonuçları GSYH’nin hâlen temel belirleyici değişken olduğunu ortaya koymaktadır.

Genel olarak, katsayı tabloları ve grafikler birlikte değerlendirildiğinde, ekonomik büyümenin toplumsal refah ve sağlık göstergeleri açısından temel bir belirleyici olduğu sonucuna ulaşılmaktadır. Bu bulgular, sürdürülebilir büyüme ve makroekonomik istikrarı destekleyen politikaların önemini vurgulamaktadır.

final proje

Ali seid mariam 2210504591

19/12/2025