GSYH, Enflasyon ve İşsizlik İlişkisi: Zaman Serisi Analizi
DERS: Ekonometri 1
ÜLKELER: Türkiye (TR), Brezilya (BR), Almanya (DE)
DÖNEM: 2000 - 2020
. GEREKLİ PAKETLERİN YÜKLENMESİ VE AKTİF EDİLMESİ
if(!require(WDI)) install.packages("WDI")## Zorunlu paket yükleniyor: WDIif(!require(tidyverse)) install.packages("tidyverse")## Zorunlu paket yükleniyor: 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 errorsif(!require(stargazer)) install.packages("stargazer")## Zorunlu paket yükleniyor: stargazer
##
## Please cite as:
##
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=stargazerif(!require(gridExtra)) install.packages("gridExtra")## Zorunlu paket yükleniyor: gridExtra
##
## Attaching package: 'gridExtra'
##
## The following object is masked from 'package:dplyr':
##
## combineDünya Bankası Verisi için
Veri manipülasyonu ve grafik (ggplot2) için
Regresyon tabloları için
Grafikleri birleştirmek için
library(WDI)
library(tidyverse)
library(stargazer)
library(gridExtra) BÖLÜM 1: GİRİŞ
Bu çalışmanın amacı, 2000-2020 yılları arasında Türkiye, Brezilya ve Almanya ekonomilerindeki temel makroekonomik göstergeler (GSYH, Enflasyon, İşsizlik) arasındaki ilişkiyi zaman serisi regresyonları ile analiz etmektir. Gelişmekte olan ülkeler ile gelişmiş bir ülke karşılaştırılarak, ekonomik büyümenin belirleyicileri incelenmiştir.
BÖLÜM 2: LİTERATÜR
Literatürde Okun Yasası, işsizlik ile büyüme arasında negatif bir ilişki öngörür. Phillips Eğrisi ise enflasyon ve işsizlik arasındaki ödünleşim (trade-off) üzerine kuruludur. Bu çalışmada, klasik teoriye paralel olarak işsizlik ve enflasyonun büyümeyi negatif etkilemesi beklenmektedir.
BÖLÜM 3: VERİ
İndicatörler
my_indicators <- c("NY.GDP.MKTP.CD", "FP.CPI.TOTL.ZG", "SL.UEM.TOTL.NE.ZS")Veriyi çekelim
df_raw <- WDI(country = c("TR", "BR", "DE"),
indicator = my_indicators,
start = 2000, end = 2020, extra = TRUE)if(nrow(df_raw) == 0) {
stop("HATA: Veri indirilemedi! Lütfen internet bağlantınızı kontrol edip tekrar deneyin.")
} else {
cat("Veri başarıyla indirildi. Sütun isimleri kontrol ediliyor:\n")
print(colnames(df_raw)) # Konsola sütun isimlerini yazar, buradan kontrol edebilirsin
}## Veri başarıyla indirildi. Sütun isimleri kontrol ediliyor:
## [1] "country" "iso2c" "iso3c"
## [4] "year" "status" "lastupdated"
## [7] "NY.GDP.MKTP.CD" "FP.CPI.TOTL.ZG" "SL.UEM.TOTL.NE.ZS"
## [10] "region" "capital" "longitude"
## [13] "latitude" "income" "lending"Veriyi düzenleyelim
df <- df_raw %>%
rename(GDP = NY.GDP.MKTP.CD,
Inflation = FP.CPI.TOTL.ZG,
Unemployment = SL.UEM.TOTL.NE.ZS) %>%
select(country, iso2c, year, GDP, Inflation, Unemployment) %>%
filter(!is.na(GDP) & !is.na(Inflation) & !is.na(Unemployment)) %>%
mutate(ln_GDP = log(GDP))Açıklayıcı İstatistikler Tablosu
stargazer(as.data.frame(df[c("GDP", "Inflation", "Unemployment")]), type = "text",
title = "Genel Özet İstatistikler", digits = 2)##
## Genel Özet İstatistikler
## =================================================================================================
## Statistic N Mean St. Dev. Min Max
## -------------------------------------------------------------------------------------------------
## GDP 61 1,859,199,138,654.00 1,256,300,355,813.00 202,195,080,239.00 4,055,433,215,302.00
## Inflation 61 7.97 10.95 0.14 54.92
## Unemployment 61 9.09 2.70 3.16 14.02
## -------------------------------------------------------------------------------------------------4. Zaman Serisi Grafikleri (Çizim)
GSYH Grafiği
p1 <- ggplot(df, aes(x = year, y = GDP/1e9, color = country)) +
geom_line(size = 1.2) + geom_point() +
labs(title = "GSYH Gelişimi (Milyar $)", y = "GSYH", x = "") +
theme_minimal() + theme(legend.position = "none")## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Enflasyon Grafiği
p2 <- ggplot(df, aes(x = year, y = Inflation, color = country)) +
geom_line(size = 1.2) + geom_point() +
labs(title = "Enflasyon (%)", y = "Enflasyon", x = "") +
theme_minimal() + theme(legend.position = "none")
https://cahitcengizhan.com/wp-content/uploads/2021/06/issizlik.jpg
İşsizlik Grafiği
p3 <- ggplot(df, aes(x = year, y = Unemployment, color = country)) +
geom_line(size = 1.2) + geom_point() +
labs(title = "İşsizlik (%)", y = "İşsizlik", x = "Yıl") +
theme_minimal() + theme(legend.position = "bottom")grid.arrange(p1, p2, p3, ncol=1)
cat("\n--- BOLUM 4: YONTEM ---\n")##
## --- BOLUM 4: YONTEM ---cat("Kullanılan Ekonometrik Yöntem: En Küçük Kareler (OLS)\n")## Kullanılan Ekonometrik Yöntem: En Küçük Kareler (OLS)cat("Model Spesifikasyonu: Log-Lineer Model (ln(GSYH) = B0 + B1*X)\n")## Model Spesifikasyonu: Log-Lineer Model (ln(GSYH) = B0 + B1*X)cat("Bu modelde katsayılar, bağımsız değişkendeki 1 birimlik değişimin\n")## Bu modelde katsayılar, bağımsız değişkendeki 1 birimlik değişimincat("GSYH uzerindeki % (yuzdesel) etkisini gosterir.\n")## GSYH uzerindeki % (yuzdesel) etkisini gosterir.BÖLÜM 5: ANALIZ VE REGRESYONLAR
Veriyi Ülkelere Ayırma
df_TR <- df %>% filter(iso2c == "TR")
df_BR <- df %>% filter(iso2c == "BR")
df_DE <- df %>% filter(iso2c == "DE")— TÜRKİYE MODELLERİ —
tr_model1 <- lm(ln_GDP ~ Unemployment, data = df_TR) # Basit
tr_model2 <- lm(ln_GDP ~ Unemployment + Inflation, data = df_TR) # Çoklu— BREZİLYA MODELLERİ —
br_model1 <- lm(ln_GDP ~ Unemployment, data = df_BR) # Basit
br_model2 <- lm(ln_GDP ~ Unemployment + Inflation, data = df_BR) # Çoklu— ALMANYA MODELLERİ —
de_model1 <- lm(ln_GDP ~ Unemployment, data = df_DE) # Basit
de_model2 <- lm(ln_GDP ~ Unemployment + Inflation, data = df_DE) # Çoklucat("\n--- REGRESYON SONUCLARI ---\n")##
## --- REGRESYON SONUCLARI ---stargazer(tr_model1, tr_model2, br_model1, br_model2, de_model1, de_model2,
type = "text",
# Türkçe karakter (İ, ş) kullanmadan etiketliyoruz:
column.labels = c("TR Basit", "TR Coklu", "BR Basit", "BR Coklu", "DE Basit", "DE Coklu"),
dep.var.labels = "Log(GSYH)",
covariate.labels = c("Issizlik (Unemployment)", "Enflasyon (Inflation)", "Sabit (Constant)"),
digits = 3,
report = "vc*t")##
## ======================================================================================================================================================
## Dependent variable:
## ------------------------------------------------------------------------------------------------------------------------------
## Log(GSYH)
## TR Basit TR Coklu BR Basit BR Coklu DE Basit DE Coklu
## (1) (2) (3) (4) (5) (6)
## ------------------------------------------------------------------------------------------------------------------------------------------------------
## Issizlik (Unemployment) 0.116* -0.023 -0.094 -0.111* -0.055*** -0.057***
## t = 1.912 t = -0.545 t = -1.526 t = -2.084 t = -3.297 t = -3.193
##
## Enflasyon (Inflation) -0.028*** -0.103** 0.024
## t = -5.970 t = -2.626 t = 0.341
##
## Sabit (Constant) 25.901*** 27.829*** 28.897*** 29.714*** 29.178*** 29.156***
## t = 39.854 t = 55.239 t = 46.426 t = 47.918 t = 241.393 t = 209.006
##
## ------------------------------------------------------------------------------------------------------------------------------------------------------
## Observations 21 21 19 19 21 21
## R2 0.161 0.719 0.120 0.385 0.364 0.368
## Adjusted R2 0.117 0.687 0.069 0.309 0.330 0.298
## Residual Std. Error 0.453 (df = 19) 0.270 (df = 18) 0.528 (df = 17) 0.455 (df = 16) 0.191 (df = 19) 0.195 (df = 18)
## F Statistic 3.654* (df = 1; 19) 22.980*** (df = 2; 18) 2.327 (df = 1; 17) 5.015** (df = 2; 16) 10.872*** (df = 1; 19) 5.241** (df = 2; 18)
## ======================================================================================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01cat("\n--- BOLUM 6: KISITLAR VE ELESTIRILER ---\n")##
## --- BOLUM 6: KISITLAR VE ELESTIRILER ---cat("ODEV RAPORUNA EKLENECEK NOT:\n")## ODEV RAPORUNA EKLENECEK NOT:cat("1. DURAGANLIK SORUNU: Bu calismada serilerin duragan olup olmadigi (Birim Kok Testleri)\n")## 1. DURAGANLIK SORUNU: Bu calismada serilerin duragan olup olmadigi (Birim Kok Testleri)cat(" kontrol edilmemistir. GSYH gibi trend iceren serilerle yapilan analizler,\n")## kontrol edilmemistir. GSYH gibi trend iceren serilerle yapilan analizler,cat(" 'Sahte Regresyon' (Spurious Regression) riskini tasir. R-kare yuksek ciksa bile\n")## 'Sahte Regresyon' (Spurious Regression) riskini tasir. R-kare yuksek ciksa bilecat(" iliski gercek olmayabilir.\n")## iliski gercek olmayabilir.cat("2. OTOKORELASYON: Hata terimlerinin zaman icinde iliskili olmasi guvenilirligi azaltir.\n")## 2. OTOKORELASYON: Hata terimlerinin zaman icinde iliskili olmasi guvenilirligi azaltir.cat("3. GOZLEM SAYISI: 21 yillik veri seti (N=21), istatistiksel cikarim icin kucuktur.\n")## 3. GOZLEM SAYISI: 21 yillik veri seti (N=21), istatistiksel cikarim icin kucuktur.7. SONUÇ:
Bu çalışmada, 2000-2020 dönemini kapsayan verilerle Türkiye, Brezilya ve Almanya ekonomilerinde büyüme (GSYH), enflasyon ve işsizlik arasındaki ilişkiler zaman serisi analizi yöntemiyle incelenmiştir. Gelişmekte olan iki ekonomi (Türkiye ve Brezilya) ile gelişmiş bir sanayi ekonomisi (Almanya) arasındaki yapısal farklılıklar, betimsel istatistikler ve regresyon modelleri aracılığıyla ortaya konulmuştur. Elde edilen bulgular aşağıdaki başlıklar altında özetlenebilir:1. Ülke Grupları Arasındaki Yapısal Farklılıklar:Grafiksel analizler ve betimsel istatistikler incelendiğinde, Almanya ekonomisinin ele alınan 21 yıllık dönemde daha istikrarlı bir seyir izlediği görülmüştür. Almanya’da enflasyon oranları düşük ve volatilitesi az iken, Türkiye ve Brezilya ekonomilerinde dönem dönem yüksek enflasyon ve işsizlik dalgalanmaları gözlemlenmiştir. Bu durum, gelişmekte olan ülkelerin dış şoklara ve küresel krizlere karşı daha kırılgan bir yapı sergilediğini göstermektedir.2. Regresyon Analizi Bulguları:Kurulan Log-Lineer modeller (ln_GDP) üzerinden elde edilen sonuçlar şu şekildedir:İşsizlik ve Büyüme İlişkisi (Okun Yasası):Teorik beklenti, işsizlik ile GSYH arasında negatif bir ilişki olmasıdır (Okun Yasası).Almanya: Analiz sonuçlarında Almanya için elde edilen katsayılar (buraya R tablosuna bakıp anlamlıysa “beklentilerle uyumlu ve anlamlı çıkmıştır” yaz), gelişmiş ekonomilerde istihdam piyasasının büyüme ile güçlü bir bağa sahip olduğunu göstermektedir.Türkiye ve Brezilya: Gelişmekte olan ülkeler için yapılan tahminlerde ise (eğer katsayılar anlamsız çıktıysa şunu yaz:) istatistiksel olarak anlamlı bir ilişki tespit edilememiştir. Bu durum, bu ülkelerdeki büyümenin istihdam yaratmayan büyüme (jobless growth) karakteristiği gösterebileceğine veya kayıt dışı istihdamın veriler üzerindeki etkisine işaret edebilir.Enflasyonun Büyüme Üzerindeki Etkisi:Çoklu regresyon modellerinde enflasyon değişkeni eklendiğinde, (R tablosuna bak: Enflasyonun yıldızı var mı?) Türkiye ve Brezilya gibi ülkelerde enflasyonun büyüme üzerindeki etkisinin (negatif/pozitif/anlamsız) olduğu görülmüştür. Yüksek enflasyonun belirsizlik yaratarak yatırımları ve dolayısıyla büyümeyi baskıladığı teorisi, bu ülkelerin veri setleriyle kısmen desteklenmektedir.3. Ekonometrik Kısıtlar ve Yöntemsel Eleştiri:Bu çalışma, Ekonometri 1 dersi kapsamında temel En Küçük Kareler (OLS) yöntemi ile gerçekleştirilmiştir. Ancak sonuçların yorumlanmasında aşağıdaki kısıtlar dikkate alınmalıdır:Durağanlık (Stationarity): Analizde kullanılan GSYH, Enflasyon ve İşsizlik serilerine Birim Kök Testi (ADF vb.) uygulanmamıştır. İktisadi zaman serileri genellikle trend içerdiğinden (durağan olmadığından), regresyon sonuçlarında yüksek \(R^2\) değerleri elde edilse bile bu durum “Sahte Regresyon” (Spurious Regression) problemini doğurabilir. Yani değişkenler arasında gerçek bir nedensellik olmasa bile istatistiksel olarak varmış gibi görünebilir.Model Spesifikasyonu: Modelde sadece işsizlik ve enflasyon kullanılmıştır. Oysa büyüme üzerinde döviz kuru, faiz oranları, doğrudan yabancı yatırımlar ve siyasi istikrar gibi faktörler de etkilidir (Eksik Değişken Sapması).Genel Değerlendirme:Sonuç olarak, 2000-2020 yılları arasında Almanya’nın makroekonomik göstergelerinin öngörülebilirliği yüksek iken; Türkiye ve Brezilya’nın büyüme dinamiklerinin daha oynak olduğu ve işsizlik-enflasyon şoklarına karşı daha hassas olduğu sonucuna varılmıştır. İleriki çalışmalarda, serilerin durağan hale getirilerek (farkları alınarak) ve Eşbütünleşme (Cointegration) testleri kullanılarak analiz edilmesi, “Sahte Regresyon” riskini ortadan kaldırarak daha güvenilir sonuçlar verecektir.