TÜKETİCİ FİYAT İNDEKSİNİ ETKİLEYEN BİTKİSEL VE HAYVANSAL ÜRETİM DEĞERLERİNİN ÇOK DEĞİŞKENLİ UYARLANABİLİR REGRESYON UZANIMLARI İLE İNCELENMESİ: TÜRKİYE ÖRNEĞİ

Öz

Bu çalışmada, Türkiye'de tüketici fiyat indeksini (TÜFE) etkileyen bitkisel ve hayvansal üretim değerlerinin etkisinin MARS algoritması kullanılarak nasıl sonuçlanacağı ve nasıl yorumlanacağı incelenmiştir. TÜFE'yi tahmin etmek amacıyla Türkiye'de 81 ile ait bitkisel üretim değeri (1000 TL), hayvansal üretim değeri (1000 TL), canlı hayvanlar değeri (1000 TL), kişi başına bitkisel üretim değeri (TL), kişi başına hayvansal üretim değeri (TL), kişi başına canlı hayvanlar değeri (TL) değişkenleri kullanılmıştır. Uyum kriterleri sırasıyla korelasyon katsayısı r=0.975, R2=0.95, Adj. R2=0.867, GCV=0.0187, RSS=1.513, RMSE=0.137, SDratio=0.224, MAPE=1.228, MAD=0.11, AIC=-222 ve AICc=-52 olarak tahmin edilmiştir. TÜFE'yi arttırıcı yönde etkileyen en önemli değişkenler sırasıyla kişi başına düşen bitkisel üretim değeri (KBBUD)<3268 lira, kişi başına bitkisel üretim değeri (KBBUD)>1887 lira ve kişi başına canlı hayvan değeri (KBCHD) > 1766 lira olan temel fonksiyonlardır. TÜFE'yi düşürücü yönde etkileyen en önemli değişkenler sırasıyla; kişi başına düşen bitkisel üretim değeri (KBBUD)>3268 lira, kişi başına canlı hayvan değeri (KBCHD)>1143 lira ve kişi başına canlı hayvan değeri (KBCHD)>1972 lira olan temel fonksiyonlardır. Bu sonuçlara göre, etkileşimli değişkenlerin de kullanıldığı MARS modelinin bitkisel ve hayvansal üretim değerlerin diğer faktörlere olan etkisini belirlemede önemli bir tahmin modeli olduğu görülmüştür.

Anahtar Kelimeler

• MARS,Genel çapraz geçerlilik,TÜFE,bitkisel ve hayvansal üretim.

INVESTIGATION OF PLANT AND ANIMAL PRODUCTION VALUES AFFECTING CONSUMER PRICE INDEX BY MULTIVARIATE ADAPTIVE REGRESSION SPLINE: TURKEY CASE

Abstract

In this study, the outcomes and interpretation of plant and animal production values affecting the consumer price index in Turkey (CPI) were investigated using MARS algorithm. In order to estimate CPI, plant production value (1000 TL), animal production value (1000 TL), livestock value (1000 TL), plant production per capita (TL), animal production per capita (TL), livestock value per capita (TL) variables for 81 provinces in Turkey were used. The compliance criteria were: correlation coefficient r = 0.975, R2 = 0.95, Adj. R2 = 0.867, GCV = 0.0187, RSS = 1.513, RMSE = 0.137, SDratio = 0.224, MAPE = 1.228, MAD = 0.11, AIC = -222 and AICc = -52. The most significant variables affecting CPI in the increasing direction are basic functions where per capita plant production value (PCPPV) is < 3268 liras, per capita plant production value (PCPPV) is > 1887 liras and per capita livestock value (PCLSV) is > 1766 liras. The most significant variables affecting CPI in the negative direction are basic functions where per capita plant production value (PCPPV) is > 3268 liras, per capita livestock value (PCLSV) is > 1143 liras, and per capita livestock value (PCLSV) is > 1972 liras, respectively. According to these results, it was found that MARS model where interactive variables are also used is an important predictive model for determining the effect of plant and animal production values on other factors

Keywords

• MARS,General cross validation,CPI,plant and animal production.

Kaynakça

1. AYVALI, M. 2017. Tüketici Fiyat Endeksi-TÜFE Nedir? http://www.bireyselyatirimci.com/tuketici-fiyatlari-endeksi-tufe-nedir/
2. BRİAND, L.C, FREIMUT, B., VOLLEI, F. 2000. IESE; Using Multiple Adaptive Regresyon Splines to Understand Trends in İnspection Data And İdentify Optimal Inspection Rates‖, Software Engineering Research Network Technical Report, Germany, 5-10.
3. CHEN, I. F., LEE, T. A. 2005. Two-Stage Credit Scoring Model Using Artificial Neural Networks and Multivariate Adaptive Regression Splines, Elsevier, 28:743-752.
4. DEICHMAN, J., ESHGI, A., HAUGHTON, D., SAYEK, S., TEEBAGY, N. 2002. Application of Multiple Adaptive Regression Splines (MARS) in Direct Response Modelling, Journal of Interactive Marketing, 16:15-27.
5. FRIEDMAN, J. H. 1991. Multivariate Adaptive Regression Splines, Annals of Statistics, 19(1):1-67.
6. HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. 2001. The Elements of Statistic al Learning; Data mining, Inference and Prediction. Springer Verlag, New York.
7. HILL, T., LEWICHI, P. 2006. Statistics Methods and Applications. A Comprehensive Reference for Science, Industry and Data Mining. StatSoft, Inc., USA. ISBN:1- 884233-59-7.
8. KAKİ, B.,YEŞİLOVA, A. ŞEN, C. 2004. Yarı Parametrik Regresyon Yönteminin Hayvancılıkta Kullanılması, 4. Ulusal Zootekni Bilim Kongresi Sözlü Bildiriler Programı, Van, 26-32.

9. OĞUZ, A. 2014. Çok değişkenli uyarlanabilir regresyon zincirlerinin irdelenmesi ve bir uygulama. Erzincan Üniversitesi Fen Bilimleri Enstitüsü. Yüksek Lisans Tezi, Erzincan.
10. TUNAY, K. B. 2001. Türkiye‘de Paranın Gelir Dolaşım Hızlarının MARS Yöntemiyle Tahmini. METU Studies in Development, Ankara, 28(2):1-23.
11. TURAN, Z., ŞANVER, D., ÖZTÜRK, K. 2017. Türkiye’de hayvancılık sektöründen süt inekçiliğinin önemi ve yurt içi hasılaya katkısı ve de dış ülkelerle karşılaştırılması. Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(3):60- 74.
12. TÜİK, 2016. Bölgesel İstatistikler. Tarımsal Üretim Değeri. https://biruni.tuik.gov.tr/bolgeselistatistik/degiskenlerUzerindenSorgula.do?durum=ac kapa&menuNo=191&altMenuGoster=1&secilenDegiskenListesi=#
13. TÜİK, 2017a. Bitkisel ve Hayvansal Üretim Değerleri. Bitkisel Üretim Değeri. https://www.gidahatti.com/turkiyenin-bitkisel-uretim-degeri-1352-milyar-tl-98674/
14. TÜİK, 2017b. Bitkisel ve Hayvansal Üretim Değerleri. Hayvansal Üretim Değeri. https://www.gidahatti.com/hayvansal-uretim-70-milyara-dayandi-100360/