final proje
sarajuddin saleh
2026-01-02
EKONOMETRI 1 FINAL PROJESI
- Ben [SARAJUDDIN SALEH], [Karabük üniversite] [Iktisat bölümü] öğrencisi olarak bu dönemki ekonometri dersi kapsamında bir proje hazırlamış bulunmaktayım. Projemin temel amacı, R programını kullanarak veri analizi yapma becerilerimi geliştirmek ve ekonometri konularını uygulamalı olarak öğrenmektir.
Bu projede, aşağıdaki konulara odaklanmayı planlıyorum:
R programlama dilini ve RStudio arayüzünü etkin bir şekilde kullanmayı öğrenmek.
Temel veri analizi için gereken paketleri ve kodlama tekniklerini öğrenmek.
Veri görselleştirme yeteneklerini geliştirmek.
Veri temizleme ve dönüştürme süreçlerini anlamak ve uygulamak.
Farklı veri yapılarını, özellikle zaman serisi, panel veri ve kesit verilerini işlemek.
Veri analizi sonuçlarını yorumlayarak ekonometrik analiz becerilerini geliştirmek.
Projemde, R programını kullanarak gerçek dünya verilerini indirip analiz edeceğim ve bu süreçte karşılaştığım zorlukları aşma ve çözme becerilerimi geliştireceğim. Ayrıca, ekonometri teorisini uygulamaya dönüştürerek, ekonometrik modelleme ve veri analizi konularında pratik yapma fırsatı bulacağım.
PAKETLER
SORU
Paketler nedir? Paketler neden önemlidir? Paketler neden kullanılır? Paketlere nasıl erişilir ve nasıl kullanır? 5 tane paket örneği veriniz?
CEVAP
Paketler:
“Paketler” terimi, genellikle yazılım geliştirme bağlamında kullanılan ve bir programın belirli bir işlevselliği yerine getirmek üzere bir araya getirilmiş modüllerden oluşan birimleri ifade eder. Bu modüller, genellikle bir arada çalışarak belirli bir görevi yerine getirmek için bir araya getirilir ve programın kodunu daha düzenli ve modüler hale getirir. Her paket, belirli analitik veya hesaplama ihtiyaçlarını karşılamak için özel olarak tasarlanmış bir araç kutusu olarak hizmet eder.
Paketlerin Önemi:
Paketler; İstatistiksel araştırmalarda, veri analizi süreçlerini kolaylaştırarak önemli avantajlar sağlar. Veri temizleme, istatistiksel analiz, modelleme ve grafiksel gösterim gibi aşamalarda paketler kullanılarak işlemler hızlandırılır ve daha etkili bir şekilde gerçekleştirilir. Ayrıca, paketlerin otomatizasyon özellikleri sayesinde zaman tasarrufu elde edilir ve analistlerin daha fazla odaklanmalarına olanak tanır. Çeşitli analitik ihtiyaçlara uyum sağlayabilen esnek yapıları ve geniş kapsamlarıyla paketler bir vazgeçilmez araçlardır.
Paketlerin Kullanım Nedeni:
Paketler, çeşitli programlama dillerinde ve alanlarda kullanılan yazılım kütüphaneleridir. Bu paketlerin kullanım nedenleri şunlardır;
Hazır Çözümler: Paketler, belirli görevleri gerçekleştirmek için önceden yazılmış ve test edilmiş fonksiyonları içerir. Bu hazır çözümler, kullanıcıların belirli işlemleri tekrar tekrar kodlamaktan kaçınmalarına olanak tanır.
Performans ve Hız: Paketler genellikle optimize edilmiş algoritmalar ve veri yapıları içerir. Bu nedenle, belirli görevleri daha hızlı ve etkili bir şekilde yerine getirirler, performansı artırırlar.
Standardizasyon: Popüler paketler, belirli bir alan veya görev için standart haline gelmiş çözümler sunar. Bu standartlaşma, farklı kullanıcılar arasında tutarlılık sağlar ve işbirliği yapmayı kolaylaştırır.
Topluluk Desteği: Yoğun bir kullanıcı topluluğu olan paketler, kullanıcıların sorunlarını çözmeleri, deneyimlerini paylaşmaları ve birbirleriyle etkileşimde bulunmaları için bir platform sağlar.
Zaman Tasarrufu: Paketler, belirli görevleri gerçekleştirmek için önceden yazılmış kodları içerir. Bu, kullanıcıların sıfırdan her şeyi yazmak yerine hazır çözümleri kullanarak zaman tasarrufu yapmalarına olanak tanır.
Hata Azaltma: Popüler paketler genellikle geniş bir kullanıcı tabanına sahiptir ve bu kullanıcılar tarafından sürekli olarak test edilir ve geliştirilir. Bu, hataların azalmasına ve daha güvenilir yazılım geliştirmeye olanak tanır.
Esneklik ve Geniş Kapsam: Paketler genellikle geniş bir işlev yelpazesi sunar. Bu, kullanıcıların çeşitli görevleri gerçekleştirmek için farklıaraçlardan yararlanmalarına olanak tanır.
Paketler, özellikle yazılım geliştirme, veri bilimi, istatistik ve benzeri alanlarda çalışan profesyoneller için önemli araçlardır. Bu hazır çözümler, daha etkili ve verimli çalışmayı sağlar ve geliştiricilere karmaşık görevleri daha kolay bir şekilde gerçekleştirmelerine yardımcı olur.
Paketlere Nasıl Erişilir ve nasıl kullanır: Paketler, hem R hem de Python gibi programlama dillerinde kullanıcıların işlerini kolaylaştıran önemli araçlardır. İşte her iki dilde de paketleri kurma, erişme ve kullanma hakkındakı bilgiler:
R Programlama Dili:
Paket Kurma: R’de paket kurmak için install.packages() fonksiyonunu kullanabilirsiniz. Örneğin, install.packages(“paket_adı”) şeklinde belirtilen paket adıyla paketi indirebilirsiniz.
Pakete Erişim: Paketi kullanmak için öncelikle library() fonksiyonunu kullanarak yüklemeniz gerekir. Örneğin, library(paket_adı) şeklinde kullanabilirsiniz veya aktifleşebilirsiniz.
Paket Kullanımı: Paketi yükledikten sonra, içindeki fonksiyonları kullanabilirsiniz. Örneğin, paket_adı::fonksiyon_adi() şeklinde kullanabilirsiniz.
Python Programlama Dili:
Paket Kurma: Python’da paketleri kurmak için pip veya conda gibi paket yöneticilerini kullanabilirsiniz. Örneğin, pip install paket_adı veya conda install paket_adı şeklinde belirtilen paket adıyla paketi indirebilirsiniz.
Pakete Erişim: Paketi kullanmak için import anahtar kelimesini kullanabilirsiniz. Örneğin, import paket_adı şeklinde kullanarak paketi projenize dahil edebilirsiniz.
Paket Kullanımı: Paketi yükledikten sonra, içindeki fonksiyonları veya sınıfları kullanabilirsiniz. Örneğin, paket_adı.fonksiyon_adi() veya paket_adı.sinif_adi şeklinde kullanabilirsiniz.
5 Tane Paket Örneği:
Örnek 1 (Wooldridge Paketi)
“wooldridge” paketi, özellikle ekonometri alanında kullanılan bir R paketidir. Bu paket, Jeffrey M. Wooldridge tarafından geliştirilmiş ve istatistiksel analizler, regresyon modelleri ve ekonometrik metodolojilerle ilgili araçları içermektedir.
Temel Özellikleri: Ekonometrik modelleme ve tahmine yönelik birçok fonksiyon içeren Wooldridge paketi, doğrusal regresyon, panel veri analizi, zaman serisi analizi ve kesit veri analizi gibi birçok ekonometrik yöntemi kapsar.
Önemi: Ekonometri ve diğer sosyal bilimlerde araştırma yapanlar için önemli bir araç olan Wooldridge paketi, ekonometrik modellerin kolayca tahmin edilmesini ve analiz edilmesini sağlayarak ekonometrik analizlerde zaman tasarrufu ve verimlilik sağlar.
Örnek 2 (Dplyr Paketi)
Dplyr paketi, R programlama dilinde veri manipülasyonu için kullanılan bir pakettir. Hadley Wickham tarafından geliştirilmiştir ve “The R Programming Language” adlı kitabında da yer almıştır.
Temel Özellikleri: Dplyr paketi, veri çerçevelerini (Data frames) seçmek, filtrelemek, düzenlemek, gruplandırmak ve özetlemek için fonksiyonlar içeren bir R paketidir.
Önemi: Dplyr paketi, R’da veri manipülasyon işlemlerini kolaylaştırır, zamandan tasarruf sağlar ve daha okunabilir kod yazmayı mümkün kılar.
Örnek 3 (Wbstats Paketi)
Wbstats paketi, R programlama dilinde web sayfalarından veri kazıma (web scraping) için kullanılan bir pakettir. Hadley Wickham tarafından geliştirilmiştir.
Temel Özellikleri: Wbstats paketi, web sayfalarından veri seçmek ve çıkarmak için fonksiyonlar içeren bir R paketidir.
Önemi: Wbstats paketi, R dilinde web sayfalarından veri çekme süreçlerini basitleştirir, kullanıcılarına zaman kazandırır ve daha okunabilir kod yazmayı sağlar.
Örnek 4 (NumPy Paketi)
NumPy paketi, Python programlama dilinde sayısal hesaplamalar için kullanılan bir pakettir. Travis Oliphant tarafından geliştirilmiştir.
Temel Özellikleri: NumPy paketi, Çok boyutlu diziler oluşturma ve yönetme, temel matematiksel işlemleri gerçekleştirme, istatistiksel işlemler yapma ve karmaşık matematiksel işlemleri gerçekleştirme gibi fonksiyonlar içeren bir Python paketidir. ## Örnek 5 (Quantmod Paketi) Quantmod paketi, R programlama dilinde finansal zaman serileri verilerini analiz etmek için kullanılan bir pakettir. Jeffrey A. Ryan tarafından geliştirilmiştir.
Temel Özellikleri: Quantmod paketi, R’da finansal zaman serileri verilerini analiz etmek için kullanılan popüler bir pakettir. Finansal zaman serileri verilerini okuma, yazma ve yönetme, teknik göstergeler hesaplama, geriye dönük ve ileriye dönük test yapma ve finansal modeller kurma gibi fonksiyonlar içerir.
Önemi: Quantmod paketi, Finansal analistler, yatırımcılar ve kuantitatif analistler için önemli bir araç olan paket, finansal verileri analiz etmeyi kolaylaştırır, hızlandırır ve hata riskini azaltır.Önemi: NumPy paketi,veri bilimi, makine öğrenmesi ve yapay zeka gibi alanlarda önemli oaln bir pakettir. Python’da sayısal hesaplamaları kolaylaştırır, standartlaştırır, hızlandırır ve hata riskini minimize eder.
Paketlere çalıştırma
R programda paket çalıştırmak için önce paketi yükleyip sonra aktifleşmemiz lazım. örnek olarak bir paket alalım “Wbstats”
##install.packages("wbstats")library(wbstats)“Merchandise exports (current US$)” terimi, bir ülkenin belirli bir dönemde mal ticaretinden kaynaklanan ihracat gelirini ifade eder ve bu gelir ABD doları cinsinden ölçülür. Bu terim, uluslararası ticaretin ekonomik analizlerinde ve karşılaştırmalı incelemelerinde sıkça kullanılır. Bir ülkenin ihracatının hacmi ve değeri, ekonomik büyüme, ticaret dengesi ve rekabet gücü gibi birçok faktörü etkileyen önemli bir göstergedir. Bu veri, ticaret politikalarının etkinliğini değerlendirmek, ticaret dengesi ve dış ticaret açığı gibi kavramları analiz etmek ve ekonomik tahminlerde bulunmak için temel bir araçtır.
Bu projede, Dünya Bankası verilerini kullanarak dünya genelindeki Mal İhracatını (TX.VAL.MRCH.CD.WT) inceleyeceğiz ve bunu ülkelerin Gayri Safi Yurtiçi Hasıla (GSYİH) verileri (NY.GDP.MKTP.CD) ile birleştireceğiz. Dünya Bankası’nın sunduğu çeşitli ekonomik göstergeleri analiz ederek, ülkelerin Mal İhracatındaki değişimlerin GSYİH üzerindeki etkisini inceleyeceğiz.
library(WDI)Data_WDI <- WDI(country = "all", indicator = c("TX.VAL.MRCH.CD.WT","NY.GDP.MKTP.CD"))str(Data_WDI)## 'data.frame': 17290 obs. of 6 variables:
## $ country : chr "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
## $ iso2c : chr "AF" "AF" "AF" "AF" ...
## $ iso3c : chr "AFG" "AFG" "AFG" "AFG" ...
## $ year : int 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 ...
## $ TX.VAL.MRCH.CD.WT: num 5.0e+07 5.3e+07 5.8e+07 7.0e+07 6.4e+07 7.4e+07 6.7e+07 6.6e+07 7.2e+07 8.2e+07 ...
## ..- attr(*, "label")= chr "Merchandise exports (current US$)"
## $ NY.GDP.MKTP.CD : num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "GDP (current US$)"library(explore)describe_all(Data_WDI)## # A tibble: 6 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 266 NA NA NA
## 2 iso2c chr 0 0 266 NA NA NA
## 3 iso3c chr 0 0 262 NA NA NA
## 4 year int 0 0 65 1960 1.99e 3 2.02e 3
## 5 TX.VAL.MRCH.CD.WT dbl 2611 15.1 9247 0 2.60e11 2.50e13
## 6 NY.GDP.MKTP.CD dbl 2729 15.8 14437 2585956. 1.23e12 1.11e14library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.6
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.1 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.2
## ✔ purrr 1.2.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsData_WDI %>% describe_all()## # A tibble: 6 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 266 NA NA NA
## 2 iso2c chr 0 0 266 NA NA NA
## 3 iso3c chr 0 0 262 NA NA NA
## 4 year int 0 0 65 1960 1.99e 3 2.02e 3
## 5 TX.VAL.MRCH.CD.WT dbl 2611 15.1 9247 0 2.60e11 2.50e13
## 6 NY.GDP.MKTP.CD dbl 2729 15.8 14437 2585956. 1.23e12 1.11e14Ek_veri <- WDI_data$countrydf <- left_join(Data_WDI, Ek_veri)## Joining with `by = join_by(country, iso2c, iso3c)`- Kullandığımız veri setinde, bazı girdiler gerçek ülkeleri temsil etmemekte, bunun yerine Sınıflandırılmamış, OECD üyeleri veya Diğer küçük devletler gibi açıklamalar içermektedir. Analizimizde doğruluk sağlamak için bu ülkeler dışı girdileri hariç tutmamız gerekmektedir.
df <- df %>% filter(region != "Aggregates")df %>% describe_all()## # A tibble: 12 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 215 NA NA NA
## 2 iso2c chr 0 0 215 NA NA NA
## 3 iso3c chr 0 0 215 NA NA NA
## 4 year int 0 0 65 1960 1992 2.02e 3
## 5 TX.VAL.MRCH.CD.WT dbl 2324 16.6 6414 0 39410670084. 3.58e12
## 6 NY.GDP.MKTP.CD dbl 2536 18.1 11437 2585956. 195558486926. 2.88e13
## 7 region chr 0 0 7 NA NA NA
## 8 capital chr 0 0 210 NA NA NA
## 9 longitude chr 0 0 210 NA NA NA
## 10 latitude chr 0 0 210 NA NA NA
## 11 income chr 0 0 5 NA NA NA
## 12 lending chr 0 0 4 NA NA NA- Veri kümemizde hala bazı eksik değerler (‘NA’) bulunmaktadır. Bu eksik değerleri filtreleyerek verilerimizi daha temiz hale getireceğiz.
kayıp_veri <- df %>%
group_by(country) %>%
summarise(kayıp_sayısı =sum(is.na(TX.VAL.MRCH.CD.WT) |is.na(NY.GDP.MKTP.CD)), .groups = 'drop')kayıp_sayısı <- df %>%
group_by(country) %>%
summarise(sayı= sum(is.na(TX.VAL.MRCH.CD.WT) | is.na(NY.GDP.MKTP.CD)))df <- left_join(df, kayıp_sayısı)## Joining with `by = join_by(country)`df<- df %>% filter(sayı<2)df <- df%>% filter(year>=2000)df <- df %>% filter(NY.GDP.MKTP.CD != "NA", TX.VAL.MRCH.CD.WT != "NA")df %>% describe_all()## # A tibble: 13 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 country chr 0 0 106 NA NA NA
## 2 iso2c chr 0 0 106 NA NA NA
## 3 iso3c chr 0 0 106 NA NA NA
## 4 year int 0 0 25 2000 2.01e+ 3 2.02e 3
## 5 TX.VAL.MRCH.CD.WT dbl 0 0 2480 13000000 1.22e+11 3.58e12
## 6 NY.GDP.MKTP.CD dbl 0 0 2650 421695770. 5.99e+11 2.88e13
## 7 region chr 0 0 7 NA NA NA
## 8 capital chr 0 0 105 NA NA NA
## 9 longitude chr 0 0 106 NA NA NA
## 10 latitude chr 0 0 106 NA NA NA
## 11 income chr 0 0 5 NA NA NA
## 12 lending chr 0 0 4 NA NA NA
## 13 sayı int 0 0 2 0 2 e- 2 1 e 0unique(df$country)## [1] "Algeria" "Argentina"
## [3] "Australia" "Austria"
## [5] "Bahamas, The" "Barbados"
## [7] "Belize" "Benin"
## [9] "Bolivia" "Botswana"
## [11] "Brazil" "Burkina Faso"
## [13] "Burundi" "Cameroon"
## [15] "Canada" "Central African Republic"
## [17] "Chad" "Chile"
## [19] "China" "Colombia"
## [21] "Congo, Dem. Rep." "Congo, Rep."
## [23] "Costa Rica" "Cote d'Ivoire"
## [25] "Denmark" "Dominican Republic"
## [27] "Ecuador" "Egypt, Arab Rep."
## [29] "Eswatini" "Ethiopia"
## [31] "Fiji" "Finland"
## [33] "France" "Gabon"
## [35] "Germany" "Ghana"
## [37] "Greece" "Guatemala"
## [39] "Guyana" "Haiti"
## [41] "Honduras" "Hong Kong SAR, China"
## [43] "Iceland" "India"
## [45] "Iran, Islamic Rep." "Iraq"
## [47] "Ireland" "Israel"
## [49] "Italy" "Jamaica"
## [51] "Japan" "Kenya"
## [53] "Korea, Rep." "Lesotho"
## [55] "Liberia" "Libya"
## [57] "Madagascar" "Malaysia"
## [59] "Mauritania" "Mauritius"
## [61] "Mexico" "Morocco"
## [63] "Myanmar" "Nepal"
## [65] "Netherlands" "New Zealand"
## [67] "Nicaragua" "Niger"
## [69] "Nigeria" "Norway"
## [71] "Oman" "Pakistan"
## [73] "Panama" "Papua New Guinea"
## [75] "Paraguay" "Peru"
## [77] "Philippines" "Portugal"
## [79] "Rwanda" "Saudi Arabia"
## [81] "Senegal" "Seychelles"
## [83] "Sierra Leone" "Singapore"
## [85] "South Africa" "Spain"
## [87] "Sri Lanka" "St. Kitts and Nevis"
## [89] "St. Vincent and the Grenadines" "Sudan"
## [91] "Suriname" "Sweden"
## [93] "Switzerland" "Tanzania"
## [95] "Thailand" "Togo"
## [97] "Trinidad and Tobago" "Tunisia"
## [99] "Turkiye" "Uganda"
## [101] "United Kingdom" "United States"
## [103] "Uruguay" "Venezuela, RB"
## [105] "Zambia" "Zimbabwe"Bireysel ülke seçimi ve grafiği:
Bir ülke Analizi:
Verilerimize temizledik, Şimdi ise bu veri kümesindeki bilgilere kullanarak analizlerimize yapacağız.
Yapacağımız ilk şey bir ülkeye seçip ve o ülkenin Mal Ihracatını(Mevcut ABD Doları) analiz edeceğiz. seçtiğimiz ülke (ABD) olsun.
df_US <- df %>% filter(iso2c == "US")ggplot(df_US, aes(x= year, y= TX.VAL.MRCH.CD.WT)) + geom_line(color= "blue") + labs( title = "Merchandise Exports(current US$) in USA") + theme_gray()
- Grafikte görüldüğü üzere, Amerika Birleşik Devletleri’nin mal ihracatı 2000-2022 döneminde sürekli artış göstermiştir. Özellikle yükselen ekonomilere yapılan ihracat ve yüksek teknoloji ürünlerinin talebi bu artışta önemli rol oynamıştır. Ayrıca, petrol ve gaz gibi enerji ürünlerinin ihracatı da artmıştır. Ancak, dönem boyunca ticaret politikaları ve küresel ekonomik dalgalanmalar da Amerikan mal ihracatını etkilemiştir.
Iki Ülke Analizi:
- Şimdi ise iki tane ülke seçeceğiz ve bu iki ülkenin Mal Ihracıtını (Mevcut ABD Doları) karşılaştırıp, grafikle göstereceğiz.
df_FR_AU <- df %>% filter(iso2c %in% c("FR","AU"))ggplot(df_FR_AU, aes(year, TX.VAL.MRCH.CD.WT, color= country)) + geom_line() + labs(x="year", y="Merchandise exports(current US$)", title = "Merchandise exports(current US$) Comparison Between France & Australia") + theme_gray()
- Görselde, Fransa’nın ihracat grafiği üstte yer alırken, Avustralya’nınki alt kısımda bulunuyor. Her iki ülkenin de mal ihracatının 2000 ile 2022 arasında sürekli bir artış gösterdiği belirgin bir şekilde görülüyor. Bu gözlemler, Fransa ve Avustralya’nın küresel pazarda sağlam bir konuma sahip olduğunu ve ihracat potansiyellerinin devamlı olarak arttığını vurguluyor. Bu veriler, her iki ülkenin ekonomik gücünü ve dış ticaret performansını gözler önüne sererek, izleyicinin dikkatini çekici bir şekilde çekiyor.
Sene seçimi:
- Şimdi, bütün ülkelerin bir yıl içinde Mal Ihracatını (Mevcut ABD Doları) Nüfus bazında göstermek istiyorum. Buna (kesit verileri) diyoruz.
df_2022 <- df %>% filter(year == 2022)ggplot(df_2022, aes(x=NY.GDP.MKTP.CD , y=TX.VAL.MRCH.CD.WT, colour = region)) + geom_point() + geom_text(label = df_2022$iso2c) + theme_gray()
Garafikte görüldüğü üzere, Çin ve Amerika’nın ekonomik büyüklükleri göz önünde bulundurulduğunda, bu ülkelerin diğerlerinden daha yüksek yerlerde olduğu görülmektedir.
bu iki ülke çıkaralım diğerlereni bakalım.
df_2022_CNveUSsiz <- df_2022 %>% filter(iso2c != "CN")df_2022_CNveUSsiz <- df_2022_CNveUSsiz %>% filter(iso2c != "US")ggplot(df_2022_CNveUSsiz, aes(x=NY.GDP.MKTP.CD , y=TX.VAL.MRCH.CD.WT, colour = region)) + geom_point() + geom_text(label = df_2022_CNveUSsiz$iso2c) + theme_gray()
## Mal İhracatın GSYİH Üzerindeki Etkisinin Analizi: Regresyon Modeli -
Bu çalışmada, mal ihracatın Gayri Safi Yurt İçi Hasıla (GSYİH)
üzerindeki etkisini anlamak için bir regresyon analizi gerçekleştirildi.
Aşağıda, oluşturulan regresyon modelinin detaylı analizi ve sonuçları
sunulmaktadır.
reg_model <- lm(NY.GDP.MKTP.CD ~ TX.VAL.MRCH.CD.WT , data = df)
summary(reg_model)##
## Call:
## lm(formula = NY.GDP.MKTP.CD ~ TX.VAL.MRCH.CD.WT, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.529e+12 1.661e+09 1.100e+11 1.198e+11 1.674e+13
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.172e+11 2.456e+10 -4.773 1.92e-06 ***
## TX.VAL.MRCH.CD.WT 5.874e+00 7.554e-02 77.762 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.172e+12 on 2648 degrees of freedom
## Multiple R-squared: 0.6955, Adjusted R-squared: 0.6953
## F-statistic: 6047 on 1 and 2648 DF, p-value: < 2.2e-16ggplot(data = df, aes(x = TX.VAL.MRCH.CD.WT , y = NY.GDP.MKTP.CD)) + geom_point(color = "blue", shape = 16) + geom_smooth(method = "lm", formula = y ~ x, se = FALSE, color = "red") +
labs(title = "Mal İhracatın GSYİH Üzerindeki Etkisi", x = "Mal İhracat", y = "GSYİH") 
- Bu grafik, mal ihracatının bir ülkenin Gayri Safi Yurtiçi Hasılası (GSYİH) üzerindeki etkisini göstermektedir. Mavi noktalar her bir ülkenin belirli bir yıldaki mal ihracatı ve GSYİH değerlerini gösterirken, kırmızı doğru regresyon çizgisi bu noktaların genel eğilimini gösterir ve mal ihracatının GSYİH üzerindeki etkisini yansıtır.
Farklı Ülkelerde Mal İhracatının GSYİH İçindeki Payının Analizi:
- Mal ihracatının ekonomik büyüme üzerindeki etkisini inceledikten sonra, farklı ülkelerin mal ihracatı stratejilerini anlamak ve verimliliklerini değerlendirmek için bir analiz gerçekleştirdik. Bu çalışma, ülkeler arasındaki ticaretin ve ekonomik performansın karşılaştırmalı bir değerlendirmesini sunmaktadır.
Dunya_MI <- df %>% group_by(year) %>%
summarise(dunyamalihracati = sum(TX.VAL.MRCH.CD.WT), dunyauretimi = sum(NY.GDP.MKTP.CD), kisibasinamalihracati = dunyamalihracati/dunyauretimi)df <- left_join(df, Dunya_MI, by = "year")ggplot(Dunya_MI, aes(x =year , y = kisibasinamalihracati)) + geom_line( colour = "red") + labs(title = "kişi Başına Mal Ihracatı(Mevcut ABD Doları)", x = "year" , y="kişi Başına Mal Ihracatı") + theme_gray()
df <- df%>% mutate(ulkeninmalihracatorani = TX.VAL.MRCH.CD.WT/dunyamalihracati, ulkeninuretimorani = NY.GDP.MKTP.CD/dunyauretimi,
verim = ulkeninmalihracatorani/ulkeninuretimorani)- Şimdi örnek olarak bir ülke seçip, onu verimliğini bakalım.
ggplot(df[898:920,], aes(x = year , y = verim)) + geom_line(colour = "purple") + labs(title = "Japonya'nın Verimliliği", x = "year" , y= "verim")
- Grafik, Japonya’nın mal ihracatının GSYİH’ye oranının zaman içindeki değişimini göstermektedir. Mal ihracatının GSYİH’ye oranının yıllara göre nasıl değiştiğini anlamak, Japonya’nın dış ticaret performansı ve ekonomik büyümesi hakkında fikir edinmemize yardımcı olabilir. Grafiğin eğimi, Japonya’nın dış ticaretindeki dönemsel değişimlerin yoğunluğunu yansıtırken, başlıktaki ‘Japonya’nın Verimliliği’ ifadesi ise verimlilik kavramının bu bağlamdaki önemini vurgular.
Subregion
- Şimdi bölgelerin ve ülkelerin zaman içindeki verimlilik değişimini animasyonla göstereceğiz.
library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutlibrary(readxl)libraries <- c(
"tidyverse", "sf", "rnaturalearth",
"wbstats", "gganimate", "classInt")invisible(lapply(libraries, library, character.only = TRUE))## Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUE## No renderer backend detected. gganimate will default to writing frames to separate files
## Consider installing:
## - the `gifski` package for gif output
## - the `av` package for video output
## and restarting the R sessionLatin America & Caribbean:
df_latinAmerica_Caribbean <- df %>% filter(region== "Latin America & Caribbean")phi <-ggplot(df_latinAmerica_Caribbean, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputSub-Saharan Africa:
df_sub_sah_africa <- df %>% filter(region== "Sub-Saharan Africa")phi_2 <-ggplot(df_sub_sah_africa, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi_2,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputEast Asia & Pacific:
df_East_asia_pacific <- df %>% filter(region== "East Asia & Pacific")phi_3 <-ggplot(df_East_asia_pacific, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi_3,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputMiddle East & North Africa:
df_mideast_northafrica <- df %>% filter(region== "Middle East & North Africa")phi_4 <-ggplot(df_mideast_northafrica, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi_4,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputEurope & Central Asia:
df_EU_CentAsia <- df %>% filter(region== "Europe & Central Asia")phi_5 <-ggplot(df_EU_CentAsia, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi_5,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputSouth Asia:
df_SouthAsia <- df %>% filter(region== "South Asia")phi_6 <-ggplot(df_SouthAsia, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi_6,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputNorth America:
df_NorthAmerica <- df %>% filter(region== "North America")phi_7 <-ggplot(df_NorthAmerica, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")animate(plot = phi_7,
nframes = 30)## Warning: No renderer available. Please install the gifski, av, or magick package to
## create animated outputBölgelerin ve ülkelerin zaman içindeki verimlilik değişimini gösteren bu animasyonlar, mal ihracatı ve Gayri Safi Yurtiçi Hasıla (GSYİH) gibi verilerin analizine dayanabilir. Bu animasyonlar, belirli bir zaman aralığında farklı bölgelerin veya ülkelerin mal ihracatındaki ve GSYİH’deki değişimleri görselleştirebilir. Örneğin, yıllara göre mal ihracatındaki artış veya azalış oranlarını renkler veya çizgi grafikleri aracılığıyla gösterebilir. Aynı şekilde, GSYİH’deki büyüme veya gerilemeleri de benzer bir şekilde görselleştirebilir.
Bu animasyonlar, izleyicilere zaman içindeki ekonomik performansın nasıl değiştiğini anlamalarına yardımcı olabilir. Örneğin, bir bölgenin mal ihracatındaki hızlı büyüme, o bölgedeki ekonominin güçlendiğini veya uluslararası ticaretteki etkinliğinin arttığını gösterebilir. Benzer şekilde, GSYİH’deki ani düşüşler veya yavaşlamalar, ekonomik zorlukların veya durgunluğun belirtileri olabilir.
VERİM VE İNSAN SERMAYESİ:
Işletmelerin başarısı, iki temel unsur olan verim ve insan sermayesine bağlıdır. Verim, bir işletmenin girdi kaynaklarını etkin bir şekilde kullanarak çıktılarını maksimize etmesini ifade eder. İnsan sermayesi ise çalışanların bilgi, beceri ve deneyimlerini içeren değerli varlıklardır. Bu iki faktör, bir işletmenin büyüme potansiyelini belirler.
Bu iki unsur, bir ülkenin Gayri Safi Yurtiçi Hasılası’nı (GSYİH) doğrudan etkiler. Verimlilik arttıkça, ekonomik büyüme ivme kazanır çünkü daha fazla çıktı üretilir. İnsan sermayesine yapılan yatırımlar da uzun vadede ekonomik büyümeyi destekler çünkü daha nitelikli iş gücü, daha yenilikçi çözümler ve daha yüksek katma değerli ürünlerin üretilmesini sağlar.
Daha yüksek verimlilik ve insan sermayesine yapılan yatırımlar, bir ülkenin mal ihracatının artmasına ve ekonomik büyümesinin desteklenmesine katkıda bulunur. Bu nedenle, bir ülke mal ihracatını artırmak istiyorsa, verimlilik artışı ve insan sermayesine yönelik yatırımlara odaklanması genellikle önemlidir.
verimlilik artışı ve insan sermayesine yapılan yatırımlar, bir ülkenin ekonomisindeki büyümeyi önemli ölçüde etkiler. Bu iki unsur arasındaki ilişkiyi anlamak için grafiklerle bir analiz yapalım.