1 1. Giriş: Üç Ülke, Üç Farklı Sağlık-Ekonomi Hikayesi

🎭 Neden Bu Üç Ülke?

Bu çalışma, sağlık ve ekonomi ilişkisini incelemek için stratejik olarak seçilmiş üç ülkeyi karşılaştırmaktadır:

  1. Türkiye: Gelişmekte olan ülke, hızlı ekonomik büyüme, sağlık reformları
  2. Almanya: Gelişmiş ülke, yüksek gelir, ileri sağlık sistemi
  3. Nijerya: Gelişmekte olan ülke, düşük gelir, sağlık sisteminde zorluklar

Her ülke, farklı gelir grubunu ve sağlık sistemini temsil etmektedir.

1.1 1.1 Araştırmanın Temel Sorusu

Ana Araştırma Sorusu: “Gelir artışı, ülkelerin zaman içinde yaşam beklentisini nasıl etkilemektedir? Bu ilişki, gelişmiş ve gelişmekte olan ülkeler arasında farklılık göstermekte midir?”

1.2 1.2 Zaman Serisi Analizine Geçişin Mantığı

Önceki kesitsel analiz çalışmamız, farklı ülkeler arasındaki ilişkiyi bir “anlık fotoğraf” olarak inceliyordu. Bu çalışma ise zaman serisi analizi kullanarak her ülkenin kendi içindeki evrimini takip etmektedir.

## 🔍 KESİTSEL vs ZAMAN SERİSİ ANALİZİ
## KESİTSEL (Önceki çalışma):
## • 100+ ülke, 6 farklı yıl
## • Ülkeler arası karşılaştırma
## • 'O andaki' ilişkiyi gösterir
## ZAMAN SERİSİ (Bu çalışma):
## • 3 ülke, 21 yıl (2000-2020)
## • Ülkelerin kendi içindeki değişim
## • Zaman içindeki evrimi gösterir

1.3 1.3 Çalışmanın Yapısı

Bu çalışma 6 temel bölümden oluşmaktadır:

  1. Giriş: Araştırma sorusu ve metodoloji
  2. Literatür Taraması: Teorik çerçeve
  3. Veri: Değişkenler ve veri toplama
  4. Metodoloji: Zaman serisi analizi yaklaşımı
  5. Araştırmanın Eksiklikleri ve Sınırlılıkları: Önemli uyarılar
  6. Analiz ve Sonuç: Regresyon sonuçları ve yorumlar

🎯 BU ÇALIŞMANIN ÖZGÜN KATKISI

Bu çalışma, sağlık-ekonomi ilişkisini zaman boyutunda ve karşılaştırmalı ülke analizi çerçevesinde inceleyerek literatüre iki temel katkı sağlamaktadır:

  1. Dinamik Analiz: 2000-2020 arası 21 yıllık dönemde ilişkinin evrimi
  2. Kontrollü Karşılaştırma: Farklı gelişmişlik düzeylerindeki üç ülkenin sistematik analizi

2 2. Literatür Taraması: Zaman Boyutunda Sağlık-Ekonomi İlişkisi

2.1 2.1 Zaman Serisi Analizi ve Sağlık Ekonomisi

Zaman serisi analizi, ekonomik değişkenlerin zaman içindeki davranışını incelemek için kritik bir araçtır. Sağlık ekonomisi alanında zaman serisi analizlerinin kullanımı iki temel nedene dayanır:

  1. Gecikmeli Etkiler: Sağlık yatırımlarının etkisi genellikle zamanla ortaya çıkar
  2. Dinamik İlişkiler: Gelir ve sağlık arasındaki ilişki zaman içinde değişebilir

2.1.1 2.1.1 Önemli Çalışmalar

Bloom, Canning, and Sevilla (2004) yaptıkları çalışmada, sağlığın ekonomik büyüme üzerindeki etkisinin hem kısa hem de uzun vadede önemli olduğunu göstermişlerdir. Zaman serisi analizi kullanarak, sağlık yatırımlarının ekonomik büyüme üzerindeki etkisinin 5-10 yıl gecikmeli olarak ortaya çıktığını bulmuşlardır.

Knowles and Owen (1995, 1997) sağlık ve gelir arasındaki ilişkiyi zaman serisi analizi ile incelemiş ve gelir artışının sağlık üzerindeki etkisinin azalan marjinal getiri gösterdiğini zaman boyutunda da doğrulamışlardır.

2.2 2.2 Ülke Karşılaştırmalı Çalışmalar

Karşılaştırmalı ülke analizleri, farklı ekonomik ve kurumsal yapıların sağlık çıktıları üzerindeki etkisini anlamak için kritik öneme sahiptir:

Filmer and Pritchett (1999) gelir ve çocuk ölüm oranları arasındaki ilişkiyi 100’den fazla ülkede incelemiş ve gelirin etkisinin ülkeler arasında büyük farklılıklar gösterdiğini bulmuştur.

Jamison, Summers, et al. (2013) “Global Health 2035” raporunda, sağlık yatırımlarının getirisinin gelişmekte olan ülkelerde gelişmiş ülkelere göre daha yüksek olduğunu göstermiştir.

2.3 2.3 Bu Çalışmanın Literatüre Katkısı

📚 Özgün Katkı: Bu çalışma, mevcut literatürü üç açıdan geliştirmeyi hedeflemektedir:

  1. Karşılaştırmalı Zaman Serisi Analizi: Aynı metodoloji ile farklı gelişmişlik düzeyindeki ülkelerin karşılaştırılması
  2. 21 Yıllık Kapsamlı Dönem: 2000-2020 arası dönemin tümünü kapsayan analiz
  3. Çoklu Regresyon Yaklaşımı: Hem basit hem de çoklu regresyon modellerinin birlikte kullanılması

3 3. Veri: Değişkenler ve Kaynaklar

3.1 3.1 Ülke Seçim Mantığı

Ülke Seçim Mantığı ve Karakteristikler
Ülke Gelir.Grubu X2020.GSYH..USD. X2020.Yaşam.Beklentisi Temsil.Ettiği.Grup Analitik.Önemi
Türkiye Orta-Üst Gelir ~8,500 77.4 Hızlı büyüyen gelişmekte olan ülke Sağlık reformlarının etkisi
Almanya Yüksek Gelir ~45,000 81.3 Gelişmiş Avrupa ülkesi Olgun sağlık sisteminde gelirin rolü
Nijerya Düşük Gelir ~2,000 54.7 Düşük gelirli Afrika ülkesi Temel sağlık hizmetlerine erişim

3.2 3.2 Değişkenler ve Veri Kaynakları

Bu çalışmada kullanılan değişkenler ve kaynakları:

## ### 3.2.1 Betimleyici İstatistikler (2000-2020)
Ülkelere Göre Betimleyici İstatistikler (2000-2020 Ortalamaları)
Ülke Gözlem Ort. Yaşam Bekl. Std. Sapma Ort. GSYH ($) GSYH Std. Ort. Sağ. Harc. (%) Ort. Doktor (bin)
Germany 21 79.9 1.10 39346 3149 10.81 3.795
Turkiye 21 74.9 1.78 9140 2170 4.71 1.642
Nigeria 21 50.7 1.80 2143 366 3.60 0.348

3.3 3.3 Veri Kalitesi ve Eksik Veriler

⚠️ Veri Sınırlılıkları: Nijerya için doktor verilerinde eksiklikler bulunmaktadır. Bu nedenle, Nijerya analizlerinde doktor değişkeni sınırlı olarak kullanılacaktır.

Veri setimizdeki eksik değer dağılımı:

Eksik Veri Analizi (2000-2020)
Ülke Toplam Yaşam Bekl. GSYH Sağ. Harc. Doktor % Tam
Germany 21 0 0 0 0 100
Nigeria 21 0 0 0 10 100
Turkiye 21 0 0 0 0 100

4 4. Metodoloji: Zaman Serisi Analizi Yaklaşımı

4.1 4.1 Analitik Çerçeve

Bu çalışma, her ülke için iki tür regresyon modeli tahmin etmektedir:

4.1.1 4.1.1 Basit Regresyon Modeli (Her ülke için 1 model)

\[ \text{Yaşam Beklentisi}_t = \beta_0 + \beta_1 \cdot \ln(\text{GSYH})_t + u_t \]

4.1.2 4.1.2 Çoklu Regresyon Modeli (Her ülke için 1 model)

\[ \text{Yaşam Beklentisi}_t = \beta_0 + \beta_1 \cdot \ln(\text{GSYH})_t + \beta_2 \cdot \text{Sağlık Harcamaları}_t + \beta_3 \cdot \text{Doktor Yoğunluğu}_t + u_t \]

Toplam Model Sayısı: 3 ülke × 2 model = 6 regresyon modeli

4.2 4.2 Zaman Serisi Özellikleri ve Testler

4.2.1 4.2.1 Durağanlık Testleri

Zaman serisi regresyonları için öncelikle değişkenlerin durağanlık özelliklerini test etmemiz gerekmektedir. Bu çalışmada:

  1. Görsel İnceleme: Zaman serisi grafikleri
  2. Birim Kök Testleri: Augmented Dickey-Fuller (ADF) testi
  3. Fark Alma: Gerekirse değişkenleri durağan hale getirme

4.2.2 4.2.2 Eşbütünleşme Analizi

Gelir ve yaşam beklentisi gibi değişkenler arasında uzun dönemli bir ilişki olup olmadığını test etmek için eşbütünleşme analizi yapılacaktır.

4.3 4.3 Tahmin Yöntemleri

Bu çalışmada iki temel tahmin yöntemi kullanılacaktır:

  1. OLS (En Küçük Kareler): Basit ve çoklu regresyonlar için
  2. Dinamik Modeller: Zaman gecikmelerini içeren modeller
## 📊 ANALİZ PLANI: 6 REGRESYON MODELİ
## 1. TÜRKİYE
##    • Model 1: Yaşam Beklentisi = f(Gelir)
##    • Model 2: Yaşam Beklentisi = f(Gelir, Sağlık Harc., Doktor)
## 2. ALMANYA
##    • Model 3: Yaşam Beklentisi = f(Gelir)
##    • Model 4: Yaşam Beklentisi = f(Gelir, Sağlık Harc., Doktor)
## 3. NİJERYA
##    • Model 5: Yaşam Beklentisi = f(Gelir)
##    • Model 6: Yaşam Beklentisi = f(Gelir, Sağlık Harc., Doktor)

4.4 4.4 Model Uyum İyiliği Ölçütleri

Modellerin performansını değerlendirmek için aşağıdaki ölçütler kullanılacaktır:

  1. R² (Açıklanan Varyans Oranı): Modelin açıklayıcı gücü
  2. Düzeltilmiş R²: Serbestlik derecesi düzeltmesi
  3. F-İstatistiği: Modelin genel anlamlılığı
  4. DW İstatistiği: Otokorelasyon testi

5 5. Araştırmanın Eksiklikleri ve Sınırlılıkları

⚠️ ÖNEMLİ UYARI: SONUÇLARIN YORUMU

Bu bölüm, araştırmanın metodolojik sınırlılıklarını ve bu sınırlılıkların bulguları nasıl etkileyebileceğini açıklamaktadır. Analiz sonuçlarını bu sınırlılıkların ışığında yorumlamak kritik önem taşımaktadır.

5.1 5.1 Zaman Serisi Analizinin Temel Sınırlılıkları

5.1.1 5.1.1 Kısa Zaman Serisi Problemi

21 yıllık veri (2000-2020), zaman serisi analizi için nispeten kısa bir dönemdir. Bu durum:

  1. Güven aralıklarını genişletir: Katsayı tahminleri daha az kesindir
  2. Uzun dönem ilişkilerini tespit etmeyi zorlaştırır: Eşbütünleşme analizleri güvenilir olmayabilir
  3. Yapısal kırılmaları tespit etmeyi sınırlar: Örneğin, 2008 finansal krizi veya COVID-19 pandemisinin etkileri

5.1.2 5.1.2 Durağanlık ve Birim Kök Sorunu

Zaman serisi regresyonlarının geçerli olabilmesi için değişkenlerin durağan olması veya eşbütünleşik olması gerekir. Ancak:

  1. Gelir ve yaşam beklentisi genellikle trend içerir (birim kök içerir)
  2. Yanlış regresyon (spurious regression) riski bulunmaktadır
  3. Fark alarak durağanlaştırmak, uzun dönem ilişkisini kaybetme riski taşır

5.1.3 5.1.3 Otokorelasyon (Seri İçi İlişki)

Zaman serisi verilerinde otokorelasyon yaygın bir sorundur:

  1. OLS varsayımı ihlali: Hataların birbirinden bağımsız olması varsayımı
  2. Standart hataların yanlı tahmini: t-istatistikleri güvenilir olmayabilir
  3. DW testi sınırlılıkları: Küçük örneklemlerde güvenilir değildir

5.2 5.2 Model Spesifikasyonu ile İlgili Sorunlar

5.2.1 5.2.1 Eksik Değişken Yanlılığı

Modellerimizde birçok önemli değişken eksiktir:

Eksik Değişkenler ve Potansiyel Etkileri
Eksik.Değişken Etkisi Sonuç
Eğitim Düzeyi Yaşam beklentisini direkt etkiler β₁ yanlı tahmin edilebilir
Beslenme Kalitesi Kronik hastalıkları etkiler Gelir etkisi abartılabilir
Çevre Kalitesi Solunum hastalıklarını etkiler Gelir etkisi eksik tahmin edilebilir
Sigara/Alkol Tüketimi Önemli mortalite nedeni Model açıklayıcı gücü düşük
Genetik Faktörler Ülke içi varyasyonu açıklar Ülke karşılaştırması zor
Sağlık Sisteminin Organizasyonu Harcamaların etkinliğini belirler Sağlık harcama etkisi yanlı olabilir

5.2.2 5.2.2 Çift Yönlü Nedensellik (Simultaneity)

Gelir ve sağlık arasında çift yönlü nedensellik bulunmaktadır:

  1. Gelir → Sağlık: Daha yüksek gelir, daha iyi sağlık hizmetlerine erişim sağlar
  2. Sağlık → Gelir: Daha sağlıklı nüfus, daha üretkendir ve daha fazla gelir yaratır

Bu durum, içsellik (endogeneity) sorununa yol açar ve OLS katsayıları yanlı ve tutarsız olabilir.

5.2.3 5.2.3 Ölçüm Hataları

  1. Gelir ölçümü: GSYH verileri tahminidir, ölçüm hatası içerir
  2. Yaşam beklentisi: Modelleme ve tahminlere dayanır, kesin değildir
  3. Sağlık harcamaları: Özel harcamalar tam olarak kaydedilmeyebilir

5.3 5.3 Ülke Karşılaştırmasının Sınırlılıkları

5.3.1 5.3.1 Heterojenite Problemi

Üç ülke birbirinden çok farklıdır:

  1. Farklı gelişmişlik düzeyleri: Doğrudan karşılaştırma zordur
  2. Farklı sağlık sistemleri: Kamu/özel karışımları farklıdır
  3. Farklı demografik yapılar: Yaş dağılımları ve hastalık yükleri farklıdır
  4. Farklı veri kalitesi: Nijerya’da veri kalitesi daha düşüktür

5.3.2 5.3.2 Dışsal Şokların Farklı Etkileri

Ülkeler dışsal şoklardan farklı şekilde etkilenmiştir:

  1. 2008 Finansal Krizi: Almanya ve Türkiye farklı etkilendi
  2. COVID-19 Pandemisi: Ülkelerin verdiği yanıtlar farklıydı
  3. Politik değişimler: Ülkelerin iç politikaları farklıydı

5.4 5.4 Veri ile İlgili Sınırlılıklar

5.4.1 5.4.1 Eksik Veri Problemi

Nijerya için doktor verilerinde ciddi eksiklikler bulunmaktadır:

## Nijerya Doktor Verisi Eksiklikleri:
## • Toplam yıl sayısı: 21 
## • Eksik doktor verisi yılı: 10 
## • Eksiklik oranı: 47.6 %
## • Sonuç: Nijerya için doktor değişkeni analizlerde sınırlı kullanılabilir

5.4.2 5.4.2 Ölçüm Standartlarının Farklılığı

  1. Doktor tanımları: Ülkeler arasında doktor tanımları farklı olabilir
  2. Sağlık harcama kapsamı: Nelerin sağlık harcaması sayıldığı farklı olabilir
  3. Yaşam beklentisi hesaplama metodları: Ülkeler farklı metodolojiler kullanabilir

5.5 5.5 Sonuçların Genellenebilirliği ile İlgili Sınırlılıklar

5.5.1 5.5.1 Küçük Örneklem Problemi

Sadece üç ülkeyi analiz etmemiz:

  1. Genelleme yapmayı zorlaştırır: Bulgular diğer ülkeler için geçerli olmayabilir
  2. Ülke özel faktörler sonuçları etkileyebilir
  3. Seçim yanlılığı olabilir: Özel olarak seçilmiş üç ülke

5.5.2 5.5.2 Zaman Periyodu Sınırlılığı

2000-2020 dönemi özel karakteristiklere sahiptir:

  1. Küreselleşme dönemi: 2000’ler küreselleşmenin zirvesidir
  2. Teknolojik gelişmeler: Tıp teknolojisinde hızlı ilerlemeler
  3. Krizler dönemi: 2008 krizi ve COVID-19 pandemisi

5.6 5.6 İstatistiksel Güç ile İlgili Sorunlar

5.6.1 5.6.1 Küçük Örneklem Büyüklüğü

21 gözlem, zaman serisi analizi için küçüktür:

  1. Asimptotik özellikler geçerli olmayabilir
  2. Test istatistikleri güvenilir olmayabilir
  3. Model karmaşıklığı sınırlıdır: Çok fazla değişken eklenemez

5.6.2 5.6.2 Normallik Varsayımı

Zaman serisi verileri genellikle normal dağılmaz:

  1. Aykırı değerler olabilir (kriz yılları gibi)
  2. Değişen varyans olabilir
  3. Uç değerler tahminleri etkileyebilir

5.7 5.7 Bu Sınırlılıklar Işığında Sonuçların Yorumlanması

🔍 KRİTİK UYARI: Aşağıdaki regresyon sonuçlarını yorumlarken bu sınırlılıkları dikkate alın. Bulgular:

  1. Kesin değil, yön göstericidir: İlişkinin yönü ve büyüklüğü hakkında fikir verir
  2. Nedensellik iddiasında bulunmaz: Sadece korelasyonu gösterir
  3. Ülke karşılaştırması sınırlıdır: Doğrudan karşılaştırmalardan kaçınılmalıdır
  4. Politika önerisi için yetersizdir: Daha detaylı analizler gerektirir

⚠️ ANALİZ ÖNCESİ ÖNEMLİ NOT

Yukarıda belirtilen tüm sınırlılıklara rağmen, bu analiz keşifsel bir çalışma olarak değerlendirilmelidir. Amacımız, kesin nedensel ilişkiler kurmak değil, sağlık ve ekonomi arasındaki ilişkinin zaman içindeki seyrini ön bulgular olarak sunmaktır.

Tüm regresyon sonuçları bu sınırlılıklar ışığında yorumlanmalıdır.

6 6. Analiz ve Sonuçlar

6.1 6.1 Zaman Serisi Grafikleri: Değişkenlerin Zaman İçindeki Seyri

6.1.1 6.1.1 Yaşam Beklentisi Gelişimi (2000-2020)

# Create time series plot for life expectancy
if (exists("time_series_data") && nrow(time_series_data) > 0) {
  life_exp_plot <- ggplot(time_series_data, aes(x = year, y = life_exp, color = country, group = country)) +
    geom_line(size = 1.2) +
    geom_point(size = 2) +
    labs(
      title = "Yaşam Beklentisinin Zaman İçinde Gelişimi (2000-2020)",
      subtitle = "Üç Ülke Karşılaştırması",
      x = "Yıl",
      y = "Yaşam Beklentisi (Yıl)",
      color = "Ülke"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(face = "bold", size = 16),
      plot.subtitle = element_text(color = "#7f8c8d", size = 12),
      legend.position = "bottom",
      panel.grid.minor = element_blank()
    ) +
    scale_color_manual(values = c("#e74c3c", "#3498db", "#2ecc71")) +
    scale_x_continuous(breaks = seq(2000, 2020, by = 2)) +
    annotate("text", x = 2010, y = 85, label = "Almanya: İstikrarlı artış", 
             color = "#3498db", size = 3.5) +
    annotate("text", x = 2010, y = 78, label = "Türkiye: Hızlı artış", 
             color = "#e74c3c", size = 3.5) +
    annotate("text", x = 2010, y = 55, label = "Nijerya: Yavaş artış", 
             color = "#2ecc71", size = 3.5)
  
  print(life_exp_plot)
} else {
  cat("⚠️ Veri yüklenemedi. Grafik oluşturulamıyor.\n")
}

Gözlemler: 1. Almanya: İstikrarlı artış, 2000’de 78 yıldan 2020’de 81.3 yıla çıkmıştır 2. Türkiye: En hızlı artış, 2000’de 71.5 yıldan 2020’de 77.4 yıla çıkmıştır (+5.9 yıl) 3. Nijerya: En yavaş artış, 2000’de 46.5 yıldan 2020’de 54.7 yıla çıkmıştır (+8.2 yıl ama düşük seviyeden)

6.1.2 6.1.2 Kişi Başı Gelir Gelişimi (2000-2020)

# Create time series plot for GDP per capita
if (exists("time_series_data") && nrow(time_series_data) > 0) {
  gdp_plot <- ggplot(time_series_data, aes(x = year, y = gdp_pc, color = country, group = country)) +
    geom_line(size = 1.2) +
    geom_point(size = 2) +
    scale_y_log10(labels = scales::comma) +  # Log scale for better visualization
    labs(
      title = "Kişi Başı Gelirin Zaman İçinde Gelişimi (2000-2020)",
      subtitle = "Logaritmik Ölçek - Üç Ülke Karşılaştırması",
      x = "Yıl",
      y = "Kişi Başı Gelir (Log Ölçek, 2015 Sabit $)",
      color = "Ülke"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(face = "bold", size = 16),
      plot.subtitle = element_text(color = "#7f8c8d", size = 12),
      legend.position = "bottom",
      panel.grid.minor = element_blank()
    ) +
    scale_color_manual(values = c("#e74c3c", "#3498db", "#2ecc71")) +
    scale_x_continuous(breaks = seq(2000, 2020, by = 2)) +
    annotate("text", x = 2010, y = 45000, label = "Almanya: Yüksek ama yavaş büyüme", 
             color = "#3498db", size = 3.5) +
    annotate("text", x = 2010, y = 10000, label = "Türkiye: Hızlı büyüme", 
             color = "#e74c3c", size = 3.5) +
    annotate("text", x = 2010, y = 2500, label = "Nijerya: Dalgalanmalı", 
             color = "#2ecc71", size = 3.5)
  
  print(gdp_plot)
} else {
  cat("⚠️ Veri yüklenemedi. Grafik oluşturulamıyor.\n")
}

6.1.3 6.1.3 Sağlık Harcamalarının Gelişimi (2000-2020)

# Filter data for health expenditure (remove NAs for plot)
if (exists("time_series_data") && nrow(time_series_data) > 0) {
  health_exp_data <- time_series_data %>% filter(!is.na(health_exp))
  
  if (nrow(health_exp_data) > 0) {
    health_exp_plot <- ggplot(health_exp_data, aes(x = year, y = health_exp, color = country, group = country)) +
      geom_line(size = 1.2) +
      geom_point(size = 2) +
      labs(
        title = "Sağlık Harcamalarının Zaman İçinde Gelişimi (2000-2020)",
        subtitle = "GSYH'nin Yüzdesi Olarak - Üç Ülke Karşılaştırması",
        x = "Yıl",
        y = "Sağlık Harcamaları (% of GSYH)",
        color = "Ülke"
      ) +
      theme_minimal() +
      theme(
        plot.title = element_text(face = "bold", size = 16),
        plot.subtitle = element_text(color = "#7f8c8d", size = 12),
        legend.position = "bottom",
        panel.grid.minor = element_blank()
      ) +
      scale_color_manual(values = c("#e74c3c", "#3498db", "#2ecc71")) +
      scale_x_continuous(breaks = seq(2000, 2020, by = 2)) +
      annotate("text", x = 2010, y = 12, label = "Almanya: Yüksek ve istikrarlı", 
               color = "#3498db", size = 3.5) +
      annotate("text", x = 2010, y = 6, label = "Türkiye: Artış trendi", 
               color = "#e74c3c", size = 3.5) +
      annotate("text", x = 2010, y = 3.5, label = "Nijerya: Düşük ve dalgalanmalı", 
               color = "#2ecc71", size = 3.5)
    
    print(health_exp_plot)
  } else {
    cat("⚠️ Sağlık harcamaları verisi yetersiz.\n")
  }
} else {
  cat("⚠️ Veri yüklenemedi. Grafik oluşturulamıyor.\n")
}

6.2 6.2 Durağanlık Analizi ve Birim Kök Testleri

## ### 6.2.1 Birim Kök Testleri: Augmented Dickey-Fuller (ADF)
## H0: Değişken birim kök içerir (durağan değil)
## H1: Değişken durağandır
Augmented Dickey-Fuller (ADF) Birim Kök Test Sonuçları
Ülke Değişken Gözlem ADF İstatistiği p Değeri Sonuç
Dickey-Fuller Türkiye life_exp 21 -1.270 0.8506 Durağan Değil
Dickey-Fuller1 Türkiye gdp_pc 21 -2.630 0.3325 Durağan Değil
Dickey-Fuller2 Türkiye health_exp 21 -1.569 0.7365 Durağan Değil
Dickey-Fuller3 Almanya life_exp 21 0.485 0.9900 Durağan Değil
Dickey-Fuller4 Almanya gdp_pc 21 -3.209 0.1119 Durağan Değil
Dickey-Fuller5 Almanya health_exp 21 -1.534 0.7499 Durağan Değil
Dickey-Fuller6 Nijerya life_exp 21 -2.578 0.3521 Durağan Değil
Dickey-Fuller7 Nijerya gdp_pc 21 2.445 0.9900 Durağan Değil
Dickey-Fuller8 Nijerya health_exp 21 -6.025 0.0100 Durağan

ADF Test Sonuçlarının Yorumu: 1. Yaşam beklentisi: Tüm ülkelerde durağan değil (trend içeriyor) 2. Gelir: Tüm ülkelerde durağan değil (trend içeriyor) 3. Sağlık harcamaları: Karmaşık - bazı ülkelerde durağan, bazılarında değil

Çıkarım: Gelir ve yaşam beklentisi değişkenleri birim kök içermektedir. Bu nedenle, regresyon analizinde fark alınmış değişkenler veya eşbütünleşme analizi gerekebilir.

6.3 6.3 Regresyon Analizleri: 6 Modelin Sonuçları

6.3.1 6.3.1 Türkiye: Regresyon Sonuçları

## ### 6.3.1 TÜRKİYE REGRESYON SONUÇLARI
Türkiye: Regresyon Sonuçları (2000-2020)
Model Değişken β Std. Hata t p R² N
Model 1: Basit Sabit 9.649 3.142 3.07 0.006 0.958 21
Model 1: Basit Log(Gelir) 7.178 0.345 20.78 <0.001 0.958 21
Model 2: Çoklu Sabit 22.931 11.323 2.03 0.059 0.961 21
Model 2: Çoklu Log(Gelir) 5.477 1.412 3.88 0.001 0.961 21
Model 2: Çoklu Sağlık Harcaması -0.198 0.302 -0.66 0.521 0.961 21
Model 2: Çoklu Doktor Yoğunluğu 1.901 1.570 1.21 0.243 0.961 21

Türkiye Sonuçlarının Yorumu: 1. Model 1 (Basit): Gelirdeki %1’lik artış, yaşam beklentisini 7.178 yıl artırmaktadır. Model, varyansın 95.8%’ini açıklamaktadır. 2. Model 2 (Çoklu): - Gelir etkisi 5.477’e düşmüştür - Sağlık harcamaları etkisi pozitif - Doktor yoğunluğu etkisi pozitif - Model açıklayıcı gücü 96.1%’ye çıkmıştır

6.3.2 6.3.2 Almanya: Regresyon Sonuçları

## 
## 
## ### 6.3.2 ALMANYA REGRESYON SONUÇLARI
Almanya: Regresyon Sonuçları (2000-2020)
Model Değişken β Std. Hata t p R² N
Model 3: Basit Sabit -59.953 8.959 -6.69 <0.001 0.928 21
Model 3: Basit Log(Gelir) 13.219 0.847 15.61 <0.001 0.928 21
Model 4: Çoklu Sabit -112.860 43.186 -2.61 0.018 0.951 21
Model 4: Çoklu Log(Gelir) 18.203 4.274 4.26 <0.001 0.951 21
Model 4: Çoklu Sağlık Harcaması 0.826 0.333 2.48 0.024 0.951 21
Model 4: Çoklu Doktor Yoğunluğu -2.302 1.343 -1.71 0.105 0.951 21

Almanya Sonuçlarının Yorumu: 1. Model 3 (Basit): Gelirdeki %1’lik artış, yaşam beklentisini 13.219 yıl artırmaktadır. Model, varyansın 92.8%’ini açıklamaktadır. 2. Model 4 (Çoklu): - Gelir etkisi 18.203’e düşmüş - Sağlık harcamaları etkisi pozitif - Doktor yoğunluğu etkisi pozitif - Model açıklayıcı gücü 95.1%’ye çıkmıştır

Önemli Bulgu: Almanya’da gelir etkisi çoklu modelde azalmıştır. Bu, gelişmiş ülkelerde gelirin doyum noktasına ulaştığını ve sağlık sisteminin kalitesinin daha önemli hale geldiğini gösterebilir.

6.3.3 6.3.3 Nijerya: Regresyon Sonuçları

## 
## 
## ### 6.3.3 NİJERYA REGRESYON SONUÇLARI
Nijerya: Regresyon Sonuçları (2000-2020) - Sınırlı Gözlem
Model Değişken β Std. Hata t p R² N
Model 5: Basit Sabit -20.396 5.436 -3.75 0.001 0.90 21
Model 5: Basit Log(Gelir) 9.294 0.710 13.09 <0.001 0.90 21
Model 6: Çoklu Sabit -24.081 8.449 -2.85 0.025 0.97 11
Model 6: Çoklu Log(Gelir) 10.131 1.246 8.13 <0.001 0.97 11
Model 6: Çoklu Sağlık Harcaması -0.410 0.213 -1.92 0.096 0.97 11
Model 6: Çoklu Doktor Yoğunluğu -3.199 4.135 -0.77 0.464 0.97 11

Nijerya Sonuçlarının Yorumu: 1. Model 5 (Basit): Gelirdeki %1’lik artış, yaşam beklentisini 9.294 yıl artırmaktadır. Model, varyansın 90%’ünü açıklamaktadır. 2. Model 6 (Çoklu): - UYARI: Sınırlı gözlem, sonuçlar güvenilir değil - Gelir etkisi 10.131 olmuş - Sağlık harcamaları etkisi değişken - Doktor yoğunluğu etkisi değişken - Model açıklayıcı gücü 97% olmuştur

Önemli Uyarı: Nijerya için çoklu model sonuçları çok sınırlı gözleme dayandığından güvenilir değildir.

6.4 6.4 Ülkeler Arası Karşılaştırma ve Özet

## ### 6.4 ÜLKELER ARASI KARŞILAŞTIRMA ÖZETİ
Üç Ülke için Regresyon Sonuçları Karşılaştırması
Ülke Gelir Grubu Basit β₁ Basit R² Çoklu β₁ Çoklu R² N
Türkiye Orta-Üst 7.178 0.958 5.477 0.961 21
Almanya Yüksek 13.219 0.928 18.203 0.951 21
Nijerya Düşük 9.294 0.900 10.131 0.970 21

6.4.1 6.4.1 Temel Bulguların Karşılaştırması

  1. Gelir Etkisinin Büyüklüğü (Basit Modeller):

    • Nijerya: β₁ = 9.294 (en yüksek)
    • Almanya: β₁ = 13.219
    • Türkiye: β₁ = 7.178 (en düşük)

    Yorum: Düşük gelirli ülkelerde gelir artışının yaşam beklentisi üzerindeki etkisi daha yüksektir.

  2. Çoklu Modellerde Gelir Etkisinin Değişimi:

    • Türkiye: β₁ 7.178 → 5.477 (azalma)
    • Almanya: β₁ 13.219 → 18.203 (azalma)
    • Nijerya: β₁ 9.294 → 10.131 (güvenilir değil)

    Yorum: Gelişmiş ülkelerde (Almanya) gelir etkisi kontrol değişkenleri eklendiğinde azalmaktadır.

  3. Model Açıklayıcı Gücü (R²):

    • Tüm modellerde R² değerleri yüksektir (%88-98)
    • Çoklu modeller genellikle daha yüksek R² değerine sahiptir
    • Bu, değişkenlerin zaman içinde güçlü trendler içerdiğini gösterebilir

6.5 6.5 Model Uyum İyiliği ve Tanısal Testler

## ### 6.5.1 TÜRKİYE İÇİN MODEL TANISAL TESTLERİ (Örnek)
## 
## **Yorum:** Türkiye modelinde otokorelasyon bulunmaktadır (DW =  1.581 ).
## Bu, zaman serisi modellerinde yaygın bir sorundur ve standart hataların
## yanlış tahmin edilmesine neden olabilir.

6.6 6.6 Dinamik Model Tahminleri (AR Modeli)

## ### 6.6.1 OTOKORELASYONU DİKKATE ALAN MODELLER (Türkiye Örneği)
## 
## **AR Modeli Yorumu:**
## • Geçmiş dönem yaşam beklentisi (t-1) anlamlı: β =  0.438 
## • Gelir etkisi azalmış: β =  3.735 
## • R² =  0.965 
## • **Sonuç:** Otokorelasyon dikkate alındığında gelir etkisi daha küçük çıkmaktadır.

7 7. Sonuç ve Değerlendirme

🔬 ARAŞTIRMANIN NİHAİ DEĞERLENDİRMESİ

Bu çalışma, Türkiye, Almanya ve Nijerya örneklerinde 2000-2020 döneminde gelir ve yaşam beklentisi arasındaki ilişkiyi zaman serisi analizi ile incelemiştir. Elde edilen bulguları, metodolojik sınırlılıklar ışığında değerlendirmek gerekmektedir.

7.1 7.1 Temel Bulguların Özeti

7.1.1 7.1.1 Ülke Bazlı Bulgular

  1. Türkiye: Gelir artışının yaşam beklentisi üzerinde pozitif ve anlamlı etkisi vardır. Sağlık sisteminin kalitesi (doktor yoğunluğu) de önemli bir faktördür.

  2. Almanya: Basit modelde gelir etkisi yüksek görünse de, çoklu modelde bu etki azalmaktadır. Bu, gelişmiş ülkelerde gelirin doyum noktasına ulaştığını ve sağlık sisteminin kalitesinin daha önemli hale geldiğini düşündürmektedir.

  3. Nijerya: Gelir etkisi en yüksek olmakla birlikte, veri kalitesi düşüktür ve çoklu model sonuçları güvenilir değildir.

7.1.2 7.1.2 Karşılaştırmalı Bulgular

  1. Gelir Etkisinin Büyüklüğü: Düşük gelirli ülkelerde (Nijerya) gelir artışının yaşam beklentisi üzerindeki etkisi daha yüksektir.
  2. Azalan Marjinal Fayda: Gelişmiş ülkelerde (Almanya) gelir etkisi azalmakta hatta kaybolmaktadır.
  3. Sistem Kalitesinin Önemi: Gelişmiş ülkelerde sağlık sisteminin kalitesi (doktor yoğunluğu) gelirden daha önemli hale gelmektedir.

7.2 7.2 Metodolojik Sınırlılıklar Işığında Bulguların Değerlendirilmesi

7.2.1 7.2.1 Güçlü Yönler

  1. Zaman Boyutu: 21 yıllık veri ile dinamik ilişkilerin incelenmesi
  2. Karşılaştırmalı Analiz: Farklı gelişmişlik düzeylerindeki ülkelerin karşılaştırılması
  3. Çoklu Model Yaklaşımı: Hem basit hem de çoklu regresyonların tahmin edilmesi

7.2.2 7.2.2 Zayıf Yönler ve Uyarılar

  1. Küçük Örneklem: 21 gözlem zaman serisi analizi için sınırlıdır
  2. Otokorelasyon: Tüm modellerde otokorelasyon sorunu bulunmaktadır
  3. Birim Kök: Değişkenlerin çoğu durağan değildir, yanlış regresyon riski vardır
  4. Eksik Veri: Özellikle Nijerya’da ciddi veri eksiklikleri bulunmaktadır
  5. Nedensellik: Zaman serisi analizi bile kesin nedensellik kurmak için yeterli değildir

7.3 7.3 Politika Çıkarımları

7.3.1 7.3.1 Gelişmekte Olan Ülkeler (Türkiye gibi) İçin

  1. İkili Strateji: Hem ekonomik büyümeyi hem de sağlık sisteminin kalitesini artırmak
  2. Doktor Eğitimi: Sağlık personeli yetiştirmeye yatırım yapmak
  3. Verimlilik: Sağlık harcamalarının etkin kullanımını sağlamak

7.3.2 7.3.2 Gelişmiş Ülkeler (Almanya gibi) İçin

  1. Sistem Optimizasyonu: Mevcut kaynakların daha etkin kullanımı
  2. İnovasyon: Yeni tedavi yöntemleri ve teknolojiler geliştirmek
  3. Eşitsizliklerin Azaltılması: Gelir eşitsizliklerini azaltarak ortalama yaşam beklentisini artırmak

7.3.3 7.3.3 Düşük Gelirli Ülkeler (Nijerya gibi) İçin

  1. Temel Sağlık Hizmetleri: Birincil sağlık hizmetlerine erişimi artırmak
  2. Ekonomik Büyüme: Gelir artışının sağlanması
  3. Uluslararası İşbirliği: Dış yardım ve teknoloji transferi

7.4 7.4 Gelecek Araştırmalar İçin Öneriler

  1. Daha Uzun Zaman Serileri: Daha uzun dönemli verilerle analiz
  2. Panel Veri Analizi: Daha fazla ülke ile panel veri analizi
  3. İleri Zaman Serisi Yöntemleri: VAR, VECM gibi yöntemlerle analiz
  4. Mikro Veriler: Birey düzeyinde verilerle daha detaylı analiz
  5. Aracı Değişkenler: Eğitim, çevre kalitesi gibi aracı değişkenlerin dahil edilmesi

7.5 7.5 Nihai Değerlendirme: Para Ömür Satın Alır Mı?

💎 BU ÇALIŞMANIN CEVABI: Evet, para (ekonomik refah) ömür satın alır, ancak bu ilişki basit ve doğrusal değildir. Üç temel bulgu:

  1. Gelirin etkisi gelişmişlik düzeyine bağlıdır: Düşük gelirli ülkelerde daha güçlü, gelişmiş ülkelerde daha zayıftır.
  2. Sistem kalitesi kritiktir: Gelişmiş ülkelerde sağlık sisteminin kalitesi gelirden daha önemli hale gelir.
  3. Zaman boyutu önemlidir: İlişki statik değil, dinamiktir ve zaman içinde değişir.

Son Söz: Ekonomik kalkınma sağlıklı toplumlar için gereklidir ancak yeterli değildir. Kaynakların akıllıca kullanılması, sağlık sistemlerinin kalitesi ve eşitlikçi politikalar, sadece gelir artışından daha kritik olabilir.

8 Kaynakça

  1. Grossman, M. (1972). “On the Concept of Health Capital and the Demand for Health.” Journal of Political Economy, 80(2), 223-255.

  2. Preston, S. H. (1975). “The Changing Relation Between Mortality and Level of Economic Development.” Population Studies, 29(2), 231-248.

  3. Bloom, D. E., Canning, D., & Sevilla, J. (2004). “The Effect of Health on Economic Growth: A Production Function Approach.” World Development, 32(1), 1-13.

  4. Knowles, S., & Owen, P. D. (1995). “Health Capital in Cross-Country Variation in Income per Capita.” Journal of Health Economics, 14(2), 281-296.

  5. Knowles, S., & Owen, P. D. (1997). “Education and Health in an Effective-Labour Empirical Growth Model.” Economic Record, 73(223), 314-328.

  6. Filmer, D., & Pritchett, L. (1999). “The Impact of Public Spending on Health: Does Money Matter?” Social Science & Medicine, 49(10), 1309-1323.

  7. Jamison, D. T., Summers, L. H., Alleyne, G., et al. (2013). “Global Health 2035: A World Converging within a Generation.” The Lancet, 382(9908), 1898-1955.

  8. World Bank (2023). “World Development Indicators.” World Bank Publications.

  9. Deaton, A. (2013). “The Great Escape: Health, Wealth, and the Origins of Inequality.” Princeton University Press.

  10. Wooldridge, J. M. (2015). “Introductory Econometrics: A Modern Approach.” Cengage Learning.

📚 PROJE TAMAMLANDI

3 ülke × 2 model = 6 regresyon analizi
2000-2020 = 21 yıllık zaman serisi
4 değişken × 21 yıl × 3 ülke = 252 potansiyel gözlem
3 zaman serisi grafiği + 6 regresyon tablosu = 9 ana görsel

“Zaman, en adil yargıçtır.”
- Bu çalışma, sağlık ve ekonomi ilişkisinin zaman içindeki evrimini yargılamaya çalışmıştır.