Estimating the Number of Unemployed Months for Individuals in Turkey with the Poisson and Negative Binomial Regression Models

Öz

Unemployment is one of the greatest economic and social problems in Turkey, as well as it is in many other countries in the world. Unemployment is often explained by macroeconomic factors. However, demographic and individual characteristics also have an effect on the unemployment duration of individuals, in addition to the macroeconomic factors. The present study aims to find the factors that have an effect on the duration of unemployment of individuals in Turkey with count data regression models. Therefore, the present study examined Poisson Regression (PR) and Negative Binomial Regression (NBR) models, which are used in cases that the dependent variable is count data. The study also aims to determine the model with the best fit to the dataset among the estimated models. In the study, the number of months in which individuals were unemployed was modeled, using the data obtained from the Survey of Income and Living Conditions (SILC) micro dataset of the Turkish Statistical Institute (TURKSTAT) in 2019. 62713 people aged 15 and over participated in the SILC, of which 5889 reported that they were unemployed for one month or more. A model with the best fit and with the independent variables of marital status, education status, and general health status was determined among the seven models determined by the forward selection method. It has been determined that the model that best fits the dataset among the predicted models is the NBR model according to the Akaike Information Criterion (AIC). Key Words: Count data, Poisson Regression Model, Negative Binomial Regression Model JEL Classification: C10, C46, D30

Anahtar Kelimeler

• Count data
• Poisson Regression Model
• Negative Binomial Regression Model

Poisson ve Negatif Binom Regresyon Modelleri ile Türkiye’de Bireylerin İşsiz Kaldığı Ay Sayısının Tahmini

Öz

İşsizlik dünyanın pek çok ülkesinde olduğu gibi, Türkiye’de de ekonomik ve sosyal sorunların en başında yer almaktadır. İşsizlik genellikle makro iktisadi faktörlerle açıklanmaya çalışılmaktadır. Bireylerin işsizlik süresi ise makro iktisadi faktörlerin yanı sıra, demografik ve bireysel özelliklerle de ilgilidir. Bu çalışma, Türkiye’de bireylerin işsiz kalma sürelerini etkileyen faktörleri sayma veri regresyon modelleri ile belirlemeyi amaçlamaktadır. Bu amaçla, bağımlı değişkenin sayma verisi olduğu durumlarda kullanılan Poisson Regresyon (PR) ve Negatif Binom Regresyon (NBR) modelleri ele alınmıştır. Tahmin edilen modellerden veri setine en iyi uyum sağlayan modelin belirlenmesi hedeflenmiştir. Çalışmada, Türkiye İstatistik Kurumu (TÜİK) tarafından 2019 yılında yapılan Gelir ve Yaşam Koşulları Araştırması (GYKA) mikro veri setinden elde edilen veriler kullanılarak bireylerin işsiz kaldığı ay sayısı modellenmiştir. GYKA’ya 15 yaş ve üzeri 62713 kişi katılmış, 5889’u işsiz kaldığı ay sayısının sıfırdan farklı olduğunu belirtmiştir Bağımsız değişkenlerin seçimi için ileri seçim yöntemi kullanılmıştır. İleri seçim yöntemi ile belirlenen yedi modelden en uygun olanının medeni durum, eğitim durumu ve genel sağlık durumu bağımsız değişkenlerinin olduğu model olduğu tespit edilmiştir. Akaike Bilgi Kriteri’ne (AIC) göre, tahmin edilen modeller içerisinde veri setine en iyi uyum sağlayan modelin NBR modeli olduğu belirlenmiştir. Anahtar Kelimeler: Sayma verisi, Poisson Regresyon Modeli, Negatif Binom Regresyon Modeli JEL Sınıflandırması: C10, C46, D30

Anahtar Kelimeler

• Sayma verisi
• Poisson Regresyon Modeli
• Negatif Binom Regresyon Modeli

Kaynakça

1. Arslan, H., & Şentürk, İ. (2018). Türkiye'de İşsizlik Süresinin Bireysel Belirleyicileri. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 13(1), 113-128.
2. Boztepe, Y. (2007). Türkiye'de İşsizlik Kavramı ve İşsizliğin Ortadan Kaldırılması İle İlgili Bir Model Oluşturulması. Yüksek Lisans Tezi. İstanbul: Yıldız Teknik Üniversitesi, Sosyal Bilimler Enstitüsü.
3. 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).
4. Borsic, D., ve Kavkler A. (2008). Modeling unemployment suration in Slovenia using Cox regression models. Springer Transit Stud Rev., 16, 145-156.
5. Cameron, A. C., ve Trivedi, P. K. (1998). Regression Analysis of Count Data. New York: Cambridge University Press.
6. Denisova, I. A. (2002). Staying Longer in Unemployment Registry in Russia: Lack of Education, Bad Luck or Something Else?, Center for Economic and Finanacial Research and New Economic School.
7. Hunt, J. (1995). The Effect of Unemployment Compensation on Unemployment Duration in Germany. Journal of Labor Economics, 13(1), 88-120.
8. Karasoy, D., Ata Tutkun, N. & Bulut, V. (2015). Türkiye’de İşsizlik Süresini Etkileyen Faktörler. Uluslararası Yönetim İktisat ve İşletme, 11(24), 57-76.

9. Küçüksille, E. (2014). Çoklu Doğrusal Regresyon Modeli. Ş. Kalaycı içinde, SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri (s. 259-266). Ankara: Asil Yayın Dağıtım Ltd. Şti.
10. Lawless, J. F. (1987). Negative Binomial and Mixed Poisson Regression. The Canadian Journal of Statistics, 15(3), 209-225.
11. Tarı, R. (2018). Ekonometri. 13. Baskı, Kocaeli: Umuttepe Yayınları.
12. Türkiye İstatistik Kurumu, 2021. Erişim Linki: https://www.tuik.gov.tr/