SAYMA VERİLERİNİN MODELLENMESİ VE BİREYLERİN İŞSİZ KALMA SÜRESİ ÜZERİNE BİR UYGULAMA

Year 2022, , 1 - 18, 20.04.2022

Afet Sözen Özden , Elvan Hayat

https://doi.org/10.30794/pausbed.1055797

Abstract

Bağımlı değişkenin sayıma dayalı veri olması durumunda güvenilir tahminler yapabilmek için Sayma Verisi Regresyon Modellerinin kullanılması daha uygundur. Sayıma dayalı veriler kesikli bir yapıda olduğundan bu regresyon modelleri kesikli dağılımlardan yararlanılarak geliştirilmiştir. Bu çalışmada, Türkiye İstatistik Kurumu (TÜİK) 2019 yılı Gelir ve Yaşam Koşulları Araştırması (GKYA) verilerinden yararlanarak bir sayma verisi olan bireylerin işsiz kaldığı sürenin (ay cinsinden) modellenmesi amaçlanmıştır. Analizde kullanılacak bağımsız değişkenler, tüm olası alt küme yöntemi ile medeni durum, eğitim durumu, genel sağlık ve kronik hastalık olarak belirlenmiştir. Sayma veri regresyon modellerinden Poisson Regresyon (PR), Negatif Binom Regresyon (NBR), Sıfır Değer Ağırlıklı Negatif Binom Regresyon (ZINB) ve Genelleştirilmiş Poisson Regresyon (GPR) modelleri ele alınarak, bu dört model tahmin edilmiş ve veri setine en iyi uyum sağlayan model bilgi kriterleri ile belirlenmiştir. Tahmin edilen modeller içerisinde veri setine en iyi uyum sağlayan modelin ZINB modeli olduğu belirlenmiştir.

Keywords

Sayma veri modelleme, Negatif Binom Regresyon, Sıfır Değer Ağırlıklı Negatif Binom Regresyon, Genelleştirilmiş Poisson, Gelir ve Yaşam Koşulları Anketi

COUNT DATA MODELING AND AN APPLICATION ON UNEMPLOYMENT DURATION OF INDIVIDUALS

Abstract

In cases where the dependent variable is count data, it is more appropriate to use Count Data Regression Models in order to produce reliable estimates. These regression models have been developed using discrete distributions since the count data has a discrete structure. The study, it is aimed to model the unemployment duration (in months) of individuals which is count data by using the data of the Survey of Income and Living Conditions (SILC) of the Turkish Statistical Institute (TURKSTAT) in 2019. The independent variables to be used in the analysis are marital status, educational status, general health, and chronic disease have been determined by all possible subset method. The Poisson Regression (PR), Negative Binomial Regression (NBR), Zero Inflated Negative Binomial Regression (ZINB), and Generalized Poisson Regression (GPR) models from count data regression models have been estimated and it has been determined the model best fits data by the information criteria. It has been determined that the model that best fits the data set among the predicted models is the ZINB model.

Keywords

Count data modelling, Negative binomial regression, Zero-inflated negative binomial regression, Generalized Poisson regression, Income and Living Conditions Survey

References

• Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. John Wiley & Sons Inc., Hoboken, New Jersey.
• Avcı, E. (2018). “Using Count Regression Models to Determine the Factors which Effects the Hospitalization Number of People with Schizophrenia”, Journal of Data Science, 16(3), 511-528.
• Beaujean, A. A. ve Grant, M. B. (2016). “Tutorial on Using Regression Models with Count Outcomes Using R. Practical Assessment, Research.” and Evaluation, 21(2).
• Bekalo, D. B. ve Kebede, D. T. (2021). “Zero-Inflated Models Count Data: An Application to Number of Antenatal Care Service Visits.” Annals of Data Science, 8(4), 683-708.
• Briz- Redón, Á., Mateu, J. ve Montes, F. (2021). “Modeling Accident Risk at the Road Level Through Zero-Inflated Negative Binomial Models: A Case Study of Multiple Road Networks.” Spatial Statistics, 43, 1-13.
• Cameron, A. C. ve Trivedi, P. K. (1998). Regression Analysis of Count Data. New York: Cambridge University Press.
• Dinarcan, G. N. (2018). Sayma Verisi İçin Regresyon Modelleri Ve Bir Uygulama. Yüksek Lisans Tezi, Hacettepe Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Ercan, U. (2021). “Hanehalklarının İletişim ve Bilgi Teknolojilerine Erişimi: Bir Poisson Regresyon Analizi.” Akdeniz Üniversitesi İletişim Fakültesi Dergisi, 35, 402-422.
• Famoye, F. ve Singh, K. D. (2006). “Zero-Inflated Generalized Poisson Regression Model with an Application to Domestic Violence Data.” Journal of Data Science, 4(1), 117-130.
• Gujarati, D. N ve Porter, D. C. (2012). (Çev. Şenesen, Ü., ve Günlük-Şenesen, G.) Temel ekonometri. Literatür Yayıncılık.
• Hilbe, J.M. (2014). Modeling Count Data. Cambridge University Press.
• Ismail, N. ve Zamani, H. (2013). “Estimation of Claim Count Data using Negative Binomial, Generalized Poisson, Zero-Inflated Negative Binomial and Zero-Inflated Generalized Poisson Regression Models.” Casualty Actuarial Society E-Forum.
• Kaya, Y. ve Yeşilova, A. (2012). “E-Posta Trafiğinin Sıfır Değer Ağırlıklı Regresyon Yöntemleri Kullanılarak İncelenmesi.” Anadolu Üniversitesi Bilim ve Teknoloji Dergisi-A Uygulamalı Bilimler ve Mühendislik,13(1),51-63.
• Kılıç, D. ve Bayrak, H. (2020). “Sayma Verisi Modelleri Üzerine Bir Karşılaştırma: E-Ticarette Yaşanan Sorunlar Türkiye Örneği.” Selçuk Üniversitesi Fen Fakültesi Fen Dergisi, 46(2), 85-102.
• Kıran, G. (2019). Sayma Veri Modelleri ve Bir Uygulama. Yüksek Lisans Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
• Lawless, J. F. (1987). “Negative Binomial and Mixed Poisson Regression.” The Canadian Journal of Statistics, 15(3), 209-225.
• McCullagh, P. ve Nelder, J. A. (1989). Generalized Linear Models. (Second Edition). London: Chapman and Hall.
• Mert, M. (2016). Yatay Kesit Veri Analizi Bilgisayar Uygulamaları. Ankara: Detay Yayıncılık.
• Nelder, J. A. ve Wedderburn, R. W. M. (1972). “Generalized Linear Models.” Journal of the Royal Statistical Society, Series A (Statistics in Society). 135 (5), 370-384.
• Özmen, İ. ve Famoye, F. (2007). “Count Regression Models with an Application to Zoological Data Containing Structural Zeros.” Journal of Data Science,5(4), 491-502.
• Peng, J., Lyu, T., Shi, J., Nagaraja, H. N. ve Xiang, H. (2014). “Models for Injury Count Data in the U.S. National Health Interview Survey.” Journal of Scientific Research & Reports,3(17), 2286-2302.
• Selim, S. ve Kılınç, G. (2021). “Bebek Ölümlerini Etkileyen Faktörler Üzerine Sayma Veri Regresyon Modellerinin Karşılaştırmalı Analizi.” Ekoist: Journal of Econometrics and Statistics, 35, 147-179.
• Singh, K. P. ve Famoye, F. (1993). “Analysis of Rates Using a Generalized Poisson Regression Model. Biometrical Journal.” 35(8), 917-923.
• Tarı, R. (2018). Ekonometri. (13. Baskı). Kocaeli: Umuttepe Yayınları
• Tüzel, S. ve Sucu, M. (2012). “Hasar Sıklıkları İçin Sıfır Yığılmalı Kesikli Modeller.” İstatistikçiler Dergisi, 5(1), 23-31.
• Wang, W. ve Famoye, F. (1997). “Modeling Household Fertility Decisions with Generalized Poisson Regression.” Journal of Population Economics, 10(3), 273-283.
• Zulkifli, M., Ismail, N. ve Razali, A. M. (2012). “Zero-Inflated Regression Models With an Application to Vehicle Theft Count Data.” Technology, Science, Social Science and Humanities International Conference.