Türkiye’de Yabancılara Konut Satışının Mars Yöntemi ile Tahmin Edilmesi
Öz
Türkiye ekonomisinin itici güçlerinden biri olan inşaat sektöründe, 2012 yılında yapılan yasal düzenlemelerle yabancılara konut satışı mümkün hale gelmiştir. Bu satışlar, ülkeye önemli bir döviz girdisi sağlamakta ve inşaat sektörünün canlı kalmasına katkıda bulunmaktadır. Yabancılara konut satışlarını etkileyen faktörlerin belirlenmesi ve bu satışların tahmin edilmesi, hem sektör hem de ülke ekonomisi açısından oldukça önemlidir. Bu çalışma, Türkiye'de yabancılara yapılan konut satışlarını, ekonomik ve sektörel değişkenler kullanarak MARS (Çok Değişkenli Uyarlanabilir Regresyon Uzanımları) yöntemiyle tahmin etmeyi amaçlamaktadır. Çalışmanın sonuçları, MARS modelinin yüksek açıklayıcılık gücüne sahip olduğunu (Adjusted R-squared: 0.9736) ve gerçek değerler ile tahmin edilen değerler arasındaki Pearson korelasyon katsayısının 0.9906 olduğunu göstermektedir. Ayrıca, MARS modeli, geleneksel çok değişkenli regresyon modeline kıyasla tahmin performansını (MSE) %95 oranında iyileştirmiştir. Bu sonuç, modelin yabancılara konut satışlarını oldukça başarılı bir şekilde tahmin edebildiğini göstermektedir. Çalışma, MARS yönteminin karmaşık ilişkileri modellemede etkili bir araç olduğunu ve yabancılara konut satışının tahmini için uygun bir yöntem olduğunu ortaya koymuştur. Sonuç olarak elde edilen bilgiler, karar alıcılar ile sektör paydaşları açısından önemli veriler sunmaktadır.
Anahtar Kelimeler
Yabancılara Konut Satışı, MARS, Çok Değişkenli Uyarlanabilir Regresyon Uzanımları
Etik Beyan
Yapılan çalışmada araştırma ve yayın etiğine uyulmuştur.
Kaynakça
- Adamowski, J., Chan, H. F., Prasher, S. O., & Sharda, V. N. (2012). Comparison of multivariate adaptive regression splines with coupled wavelet transform artificial neural networks for runoff forecasting in Himalayan micro-watersheds with limited data. Journal of hydroinformatics, 14(3), 731-744.
- Al-Sudani, Z. A., Salih, S. Q., Sharafati, A., & Yaseen, Z. M. (2019). Development of multivariate adaptive regression spline integrated with differential evolution model for streamflow simulation. Journal of Hydrology, 573, 1–12. https://doi.org/10.1016/j.jhydrol.2019.03.004
- Bağcı, B., & Çıtak, F. (2020). Forecasting Turkish stock market price with macroeconomic variables from the multivariate adaptive regression splines (MARS) model. Yaşar Üniversitesi E-Dergisi, 15(60), 759-771.
- Baş, E., & Eğrioğlu E. (2023). "A new recurrent pi‐sigma artificial neural network inspired by exponential smoothing feedback mechanism," Journal of Forecasting, John Wiley & Sons, Ltd., vol. 42(4), pages 802-812, July
- Bose, A., Hsu, C. H., Roy, S. S., Lee, K. C., Mohammadi-Ivatloo, B., & Abimannan, S. (2021). Forecasting stock price by hybrid model of cascading multivariate adaptive regression splines and deep neural network. Computers and Electrical Engineering, 95, 107405.
- Butte, N. F., Wong, W. W., Adolph, A. L., Puyau, M. R., Vohra, F. A., & Zakeri, I. F. (2010). Validation of cross-sectional time series and multivariate adaptive regression splines models for the prediction of energy expenditure in children and adolescents using doubly labeled water. The Journal of nutrition, 140(8), 1516-1523.
- Cheng, M. Y., & Cao, M. T. (2014). Accurately predicting building energy performance using evolutionary multivariate adaptive regression splines. Applied Soft Computing, 22, 178-188.
- Çanga, D., Yavuz, E., & Efe, E. (2021). Prediction of Egg Weight Using MARS Data Mining Algorithm Through R. KSU J. Agric Nat 24 (1): 242-251, 2021. https://doi.org/10.18016/ksutarimdoga.vi.716880
- De Gooijer, J. G., Ray, B. K., & Kräger, H. (1998). Forecasting exchange rates using TSMARS. Journal of International Money and Finance, 17(3), 513-534.
- Friedman, J. H. (1991). Multivariate adaptive regression splines. The annals of statistics, 19(1), 1-67.
kapsamında lisanslanmıştır.