Makine öğrenmesi yöntemleriyle Türkiye'de dönemsel GSYH büyümesinin öngörüsü
Forecasting quarterly GDP growth rates using machine learning methods
- Tez No: 994449
- Danışmanlar: PROF. DR. YELİZ YALÇIN
- Tez Türü: Doktora
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Hacı Bayram Veli Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Ekonometri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ekonominin mevcut durumuna ilişkin bilgi sunan öncü göstergeler arasında stratejik bir konumda bulunan Gayrisafi Yurt İçi Hasıla (GSYH), ekonomik politika oluşturma süreçlerinde kritik bir işlev görmektedir. Ekonomik, finansal ve teknolojik gelişmeler, politika yapıcıların mümkün olan en kısa sürede tutarlı ve güvenilir GSYH öngörülerine duyduğu talebi artırmıştır. Bu kapsamda, makine öğrenimi tekniklerinin kullanıldığı öngörü modelleri, geleneksel ekonometrik yöntemlere kıyasla daha esnek ve başarılı sonuçlar sunmaktadır. Bu çalışmada, Türkiye ekonomisi için GSYH çeyreklik büyüme oranlarının öngörülmesi amacıyla, 58 makroekonomik göstergeden oluşan geniş bir veri seti kullanılmıştır. Değişken seçimi aşamasında Lasso ve Elastik Net regresyonları uygulanarak en açıklayıcı değişkenler belirlenmiş; seçilen değişkenler Destek Vektör Regresyonu, Yapay Sinir Ağları ve Karar Ağaçları modellerinde değerlendirilmiştir. Tüm değişkenler ise değişken seçimi yapılmaksızın Rastgele Orman algoritması ile analiz edilmiştir. Ayrıca, sanayi üretim endeksi ve alt kalemlerinin modele etkisi, bu göstergeleri içeren ve hariç tutan veri setleri kullanılarak incelenmiştir. Model performansları karşılaştırıldığında, yapay sinir ağları özellikle yüksek boyutlu ve doğrusal olmayan ilişkilerin bulunduğu Türkiye ekonomisi ortamında üstün sonuçlar vermiştir. Sanayi üretim endeksinin, Türkiye'nin ekonomik büyüme dinamiklerini yansıtan kritik bir öncü gösterge olduğu ve modele dahil edilmesinin tahmin başarısını artırdığı tespit edilmiştir. Kapasite kullanım oranı ve dış ticaret göstergeleri gibi diğer makroekonomik bileşenlerin de bütüncül değerlendirilmesinin tahmin doğruluğunu olumlu etkilediği görülmüştür. Elde edilen sonuçlar, makine öğrenimi temelli bu yaklaşımın Türkiye ekonomisinin büyüme öngörülerinde sağlam ve güvenilir bir araç olduğunu göstermekte; politika yapıcıların erken ve doğru kararlar almasına olanak tanımaktadır. Ayrıca, model açıklanabilirliği ve veri çeşitliliğinin artırılması gibi alanlarda yapılacak geliştirmelerin, öngörülerin doğruluğunu ve kullanımını daha da artıracağı önerilmektedir.
Özet (Çeviri)
Gross Domestic Product (GDP), a strategic leading indicator reflecting the current state of the economy, plays a critical role in economic policy formulation processes. Economic, financial, and technological developments have increased policymakers' demand for timely, consistent, and reliable GDP forecasts. In this context, forecasting models utilizing machine learning techniques have demonstrated more flexible and successful results compared to traditional econometric methods. This study employs a comprehensive dataset comprising 58 macroeconomic indicators to forecast the quarterly GDP growth rates of the Turkish economy. Variable selection was conducted using Lasso and Elastic Net regressions to identify the most explanatory variables, which were then evaluated through Support Vector Regression, Neural Networks, and Classification and Regression Treesmodels. Additionally, all variables were analyzed with the Random Forest algorithm without prior variable selection. The impact of the Industrial Production Index and its subcomponents was also examined using datasets that included and excluded these indicators. Performance comparisons revealed that Neural Networks outperform other models, particularly in the complex, nonlinear environment of the Turkish economy characterized by high-dimensional data. The Industrial Production Index was identified as a critical leading indicator reflecting Turkey's economic growth dynamics, with its inclusion enhancing forecasting accuracy. Furthermore, holistic consideration of other macroeconomic components such as capacity utilization rate and foreign trade indicators positively influenced prediction accuracy. The findings suggest that the machine learning-based approach provides a robust and reliable tool for growth forecasting in the Turkish economy, enabling policymakers to make timely and informed decisions. In addition, further improvements in model interpretability and data diversity are expected to enhance the accuracy and practical applicability of the generated forecasts.
Benzer Tezler
- A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye
Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması
MUHAMMET FURKAN BAYSAL
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Makine öğrenmesi yöntemleriyle Türkiye'de turizm gelirine etki eden parametrelerin belirlenmesi ve değerlendirilmesi
Determination and evaluation of parameters affecting tourism revenues in Turkey by machine learning methods
ÖZGÜR GÜLER
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiPamukkale ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OLCAY POLAT
- Makine öğrenmesi metotları kullanılarak orman yangınlarının tahmini: Türkiye'de vaka çalışması
Prediction of forest fires using machine learning methodology: A case study in Türkiye
BETÜL ARSLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILTAŞ KAPLAN
- Derin öğrenme ve makine öğrenmesi yöntemleriyle Türkiye emlak piyasasında fiyat tahmini
Price prediction in the Turkish real estate market using deep learning and machine learning methods
RECEP FURKAN KOÇYİĞİT
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
DR. AHMET ELBİR
- Türkiye'deki hastanelerin pabon lasso ve makine öğrenmesi yöntemleriyle çok boyutlu performans analizi
Multi-dimentional performance analysis of hospitals in Turkey by using pabon lasso and machine learning methods
MUSA ÇIRAK
Doktora
Türkçe
2023
Sağlık Yönetimiİstanbul Üniversitesi-CerrahpaşaSağlık Yönetimi Ana Bilim Dalı
PROF. DR. İLHAN KEREM ŞENEL