Forecasting Cell Phone Ownership among Children with TurkStat Micro Data: Comparative Performance of Machine Learning Models

Year 2025, Volume: 9 Issue: 3, 1525 - 1544, 25.08.2025

Kamil Abdullah Eşidir

https://doi.org/10.25295/fsecon.1594029

Abstract

In this study, we estimate children's mobile phone ownership and analyze the factors affecting mobile phone ownership among children using the micro data set of the Turkey Child Survey for 2022. RandomForest, XGBoost, Gradient Boosting, and Support Vector Machines (SVM) machine models are used in forecasting. The performance of the models was evaluated with Precision, Recall, F1 Score and ROC AUC metrics. The findings show that children's age and access to the internet have a significant impact on cell phone ownership. Machine learning models provided high accuracy values in terms of statistical metrics. The study found that machine learning models improve decision-making processes and provide effective tools for policymakers. Simultaneously, it has been demonstrated that they can be effectively utilized in the field of social sciences. The high accuracy rates achieved by the models demonstrate that data-driven policy development processes can be enhanced to become more effective and efficient.

Keywords

Machine Learning , Management Information Systems , Data Analysis , RandomForest , XGBoost

TÜİK Mikro Verileri ile Çocuklarda Cep Telefonu Sahipliğinin Tahmini: Makine Öğrenimi Modellerinin Karşılaştırmalı Performansı

Abstract

Bu çalışmada, 2022 yılı Türkiye Çocuk Araştırması mikro veri seti kullanılarak çocukların cep telefonu sahipliğini tahmin edilmiş ve çocuklarda cep telefonu sahipliğini etkileyen faktörler analiz edilmiştir. Tahminlemede RandomForest, XGBoost, Gradient Boosting ve SVM makine öğrenme modelleri kullanılmıştır. Modellerin performansı Kesinlik, Duyarlılık, F1 Skoru ve ROC AUC metrikleri ile değerlendirilmiştir. Elde edilen bulgular, çocukların yaşlarının ve internete erişim imkânlarının cep telefonu sahipliği üzerinde belirgin etkisi olduğunu göstermiştir. Makine öğrenimi modelleri, istatistiksel metrikler açısından yüksek doğruluk değerleri sağlamıştır. Çalışma, makine öğrenimi modellerinin karar alma süreçlerini geliştirdiğini ve politika yapıcılar için etkili araçlar sağladığını ortaya koymuştur. Aynı zamanda, makine öğrenimi modellerinin sosyal bilimler alanında etkili bir şekilde kullanılabileceği de gösterilmiştir. Modellerin sunduğu yüksek doğruluk oranları ile veri odaklı politika geliştirme süreçlerinin daha etkin ve verimli hale getirilebileceği anlaşılmıştır.

Keywords

Makine Öğrenimi , Yönetim Bilişim Sistemleri , Veri Analizi , RandomForest , XGBoost

References

• Abar, H. (2020). XGBoost ve Mars yöntemleriyle altın fiyatlarının kestirimi. EKEV Akademi Dergisi, 83, 427-446.
• Akbulut, S., & Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile BIST 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52-63. https://doi.org/10.28948/ngumuh.1131191
• Akın, M. H. (2023). Türkiye’de çocuk sosyalleşmesinin bazı görünümleri. Güncel Sosyoloji, 1(1), 1-24. https://guncelsosyoloji.com/content/5-sayilar/1-1/1-turkiyede-cocuk-sosyallesmesinin-bazi-gorunumleri/1.makale.pdf
• Aslan, K. (2025). Yapay zekâ makine öğrenmesi ve veri bilimi kursu, sınıfta yapılan örnekler ve özet notlar. C ve Sistem Programcıları Derneği, İstanbul.
• Ayhan, S., & Erdoğmuş, Ş. (2014). Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
• Bae, C. Y., Im, Y., Lee, J., Park, C., Kim, M., Kwon, H. U., & Kim, J. (2021). Comparison of biological age prediction models using clinical biomarkers commonly measured in clinical practice settings: AI techniques vs. traditional statistical methods. Frontiers in Analytical Science, 1. https://doi.org/10.3389/frans.2021.709589
• Bazilevych, K., Kyrylenko, O., Parfenyuk, Y., Krivtsov, S., Meniailov, I., Kuznietcova, V., & Chumachenko, D. (2023). Comparative analysis of the machine learning models determining COVID-19 patient risk levels. Radioelectronic and Computer Systems, (3), 5-17. https://doi.org/10.32620/reks.2023.3.01
• Cao, T., She, D., Zhang, X., & Yang, Z. (2022). Understanding the influencing factors and mechanisms (land use changes and check dams) controlling changes in the soil organic carbon of typical loess watersheds in china. Land Degradation &Amp; Development, 33(16), 3150-3162. https://doi.org/10.1002/ldr.4378
• Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/2939672.2939785
• El Naqa, I., & Murphy, M. J. (2015). What is machine learning?. Machine Learning in Radiation Oncology (3-11). Springer. https://doi.org/10.1007/978-3-319-18305-3_1
• Erbay Mermer, Ş. (2023). Eğitimde dijital dönüşüm: Makine öğrenmesi. Dijital Eğitim Araştırmaları Dergisi, 12(3), 135-153. https://doi.org/10.58830/ozgur.pub303.c1379
• Eriş Dereli, B. (2021). Çocuk istihdamını etkileyen faktörler. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 20(42), 1505-1519. doi:10.46928/iticusbe.974781
• Eşidir, K. A. (2025a). Makine öğrenimi modelleri ile yetişkin eğitimi analizi: Modellerin karşılaştırmalı performansı. Elektronik Sosyal Bilimler Dergisi, 24(2), 946-964. https://doi.org/10.17755/esosder.1589887
• Eşidir, K. A. (2025b). Kanatlı sektöründe yapay zekâ uygulamaları: Etlik piliç yemi fiyat tahmini. Journal of History School, 74, 269-290. http://dx.doi.org/10.29228/joh.78735
• Eşidir, K. A. (2025c). TÜİK mikro verileri ile çocuk işgücü tahmini: Makine öğrenimi modellerinin performans analizleri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 37(1), 453-466. https://doi.org/10.35234/fumbd.1607609
• Ge, X., Ding, J., Jin, X., Wang, J., Chen, X., Li, X., … & Xie, B. (2021). Estimating agricultural soil moisture content through uav-based hyperspectral images in the arid region. Remote Sensing, 13(8), 1562. https://doi.org/10.3390/rs13081562
• Gür, Y. E. (2024a). Development and application of machine learning models in US consumer price index forecasting: Analysis of a hybrid approach. Data Science in Finance and Economics, 4(4), 469-513. https://doi.org/10.3934/DSFE.2024020
• Gür, Y. E. (2024b). Forecasting the euro exchange rate using deep learning algorithms and machine learning algorithms. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 23(49), 1435-1456. https://doi.org/10.46928/iticusbe.1379268
• Gür, Y. E. (2024c). Stock price forecasting using machine learning and deep learning algorithms: A case study for the aviation industry. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(1), 25-34. https://doi.org/10.35234/fumbd.1357613
• Ji, H. (2023). Robustness analysis on stock market prediction method. Highlights in Business, Economics and Management, 21, 791-801. https://doi.org/10.54097/hbem.v21i.14763
• Liang, W., Luo, S., Zhao, G., & Wu, H. (2020). Predicting hard rock pillar stability using gbdt, xgboost, and lightgbm algorithms. Mathematics, 8(5), 765. https://doi.org/10.3390/math8050765
• Oguine, O. C., & Oguine, M. B. (2021). Comparative analysis and forecasting on the death rate of COVID-19 patients in Nigeria using random forest and multinomial Bayesian epidemiological models. Journal of Clinical Case Studies, Reviews & Reports, 1-7. https://doi.org/10.47363/jccsr/2021(3)182
• Ou, R. (2020). Out-of-core GPU gradient boosting. https://doi.org/10.48550/arxiv.2005.09148
• Özdemir, N. E., Akyiğit Albayrak, E., & Korkutan, M. (2024). Türkiye’de çocuk işçiliği: Sağlık ve sosyal yaşam koşulları bağlamında bir değerlendirme. Sosyal Bilimler Akademi Dergisi, 7(1), 44-66. https://doi.org/10.38004/sobad.1413138
• Pakarinen, O., Karsikas, M., Reito, A., Lainiala, O., Neuvonen, P., & Eskelinen, A. (2022). Prediction model for an early revision for dislocation after primary total hip arthroplasty. PLOS ONE, 17(9), e0274384. https://doi.org/10.1371/journal.pone.0274384
• Paslı Yeniay, K. (2023). Makine öğrenmesinin çocuk ruh sağlığına etkisi. Akademik Sosyal Araştırmalar Dergisi, 11(140), 269-280. https://doi.org/10.29228/ASOS.69003
• Speer, A. B. (2021). Empirical attrition modelling and discrimination: Balancing validity and group differences. Human Resource Management Journal, 34(1), 1-19. https://doi.org/10.1111/1748-8583.12355
• Suthaharan, S. (2014). Big data classification: Problems and challenges in network intrusion prediction with machine learning. ACM SIGMETRICS Performance Evaluation Review, 41(4), 70-73.
• Tosunoğlu, E., Yılmaz, R., Özeren, E., Sağlam, Z. (2021). Eğitimde makine öğrenmesi: Araştırmalardaki güncel eğilimler üzerine inceleme. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 3(2), 178-199.
• Türkiye Çocuk Araştırması Mikro Veri Seti. (2022). Yayım Tarihi: Temmuz 2023, Yayın No: 4699, Türkiye İstatistik Kurumu Bilgi Dağıtım Grup Başkanlığı. ISBN: 978-625-8368-39-0, Ankara.
• Türkiye İstatistik Kurumu. (2023). Türkiye çocuk araştırması 2022. Aile ve Sosyal Hizmetler Bakanlığı ve UNICEF. Ankara: Türkiye İstatistik Kurumu Yayınları. ISBN: 978-625-8368-33-8. Erişim adresi: https://www.unicef.org/turkiye/media/17591/file/2022%20T%C3%BCrkiye%20%C3%87ocuk%20Ara%C5%9Ft%C4%B1rmas%C4%B1%20.pdf
• Wang, L., Wang, X., Chen, A., Jin, X., & Che, H. (2020). Prediction of type 2 diabetes risk and its effect evaluation based on the xgboost model. Healthcare, 8(3), 247. https://doi.org/10.3390/healthcare8030247
• Wen, J., Zhang, Y., Yang, G., He, Z., & Zhang, W. (2019). Path loss prediction based on machine learning methods for aircraft cabin environments. IEEE Access, 7, 159251-159261. https://doi.org/10.1109/access.2019.2950634
• Wu, Y. (2023). Job embeddedness review: Presentation, measurement and development. Advances in Economics, Management and Political Sciences, 47(1), 169-174. https://doi.org/10.54254/2754-1169/47/20230393
• Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. Computer Vision – ECCV 2014, 818-833. https://doi.org/10.1007/978-3-319-10590-1_53
• Zhang, Z., Xin, Q., & Li, W. (2021). Machine learning‐based modeling of vegetation leaf area index and gross primary productivity across north america and comparison with a process‐based model. Journal of Advances in Modeling Earth Systems, 13(10). https://doi.org/10.1029/2021ms002802
• Zhu, X., Sawhney, R., & Upreti, G. (2016). Determinates of employee voluntary turnover and forecasting in departments: A case study. Studies in Engineering and Technology, 3(1), 64-73. https://doi.org/10.11114/set.v3i1.1635
• Zilyas, D., & Yılmaz, A. (2023). Makine öğrenmesi yöntemleri ile eğitim başarısının tahmini modeli. DÜMF MD, 14(3), 437–447, doi: 10.24012/dumf.1322273.