Citation Number
1
Views
48
Downloands
13
Bu çalışmanın amacı, denetimli makine öğrenmesi yöntemlerinin aşırı değer ve uzun kuyruklu hatalara sahip Hanehalkı Bütçe Anketi Hane veri setinin ilgili değişkenlerini seçmemize nasıl yardımcı olduğunu incelemek ve Türkiye’nin Hanehalkı TüketimHarcamaları’nın tahmininde en iyitahmin ve öngörü performansına sahip olanmodelin belirlenmesinisağlamaktır. Bu amaçla, 2018 yılı Türkiye’nin Hanehalkı Bütçe Anketi Hane veri seti klasik regresyon yönteminin yanı sıra En Küçük Mutlak Sapma (LAD), En Küçük Mutlak Küçültme ve Seçim Operatörü (LASSO) ve LAD-LASSO yöntemleri kullanılarak incelenmiş ve yöntemlerin tahmin ve öngörü performansları karşılaştırılmıştır. Analiz sonuçlarına göre; uzun kuyruklu hataların varlığında dayanıklı tahminciler elde edilirken aynı zamanda değişken seçimine olanak sağlayan LAD-LASSO makine öğrenmesi yönteminin tahmin performansı ve öngörü açıklığı açısından en başarılı yöntem olduğu sonucuna ulaşılmıştır. Ayrıca gelir, tasarruf ve hane halkı büyüklüğü gibi bazı temel değişkenler tüm modeller için hanehalkı tüketim harcamalarını artırmaktadır. Bu değişkenlere ek olarak odanın yapısı, mutfak, banyo zeminleri, ısıtma, klima tercihleri, kullanılan enerji kaynakları, müstakil ev, apartman, yazlık, bağ sahipliği ve yatırım tercihleri, kredi kartı kullanımı, internet alışveriş alışkanlıkları gibi çeşitli değişkenler LAD-LASSO modelinde hane halkı tüketim harcamalarının belirleyicileri olarak seçilmiştir. Çalışma sonuçlarından, makine öğrenme algoritmalarının mikroekonometrik modellerin oluşturulması sırasında gerekli değişkenlerin seçiminde kullanılabileceğine dair bulgular elde edilmiştir. Bu çalışma doktora tezinden üretilmiştir.
The aim of this study is to explore how controlled machine learning methods help us to choose the relevant variables of the household budget survey with excessive value and long-range errors and to determine the model that has the most positive and predictive performance in the forecast of the household consumption expenses of Turkey. For this purpose, the 2018 Turkish Household Budget Survey Household data set has been studied using the classic regression method as well as the Smallest Absolute Sappma (LAD), the Smallest Absolute Reduction and Selection Operator (LASSO) and the LAD-LASSO methods and the predictive and predictive performance of the methods has been compared. According to the results of the analysis, the LAD-LASSO machine learning method is the most successful method in terms of predictive performance and predictive clarity, which enables variable choices while obtaining sustainable forecasts in the presence of long-range errors. Also, some basic variables such as income, savings and household population size increase household consumption spending for all models. In addition to these variables, various variables such as the structure of the room, kitchen, bath floor, heating, air conditioning preferences, used energy resources, private houses, apartments, summer, connectivity and investment preferences, credit card use, internet shopping habits have been selected as determiners of household consumer spending in the LAD-LASSO model. The results of the study have found that machine learning algorithms can be used in the selection of the necessary variables during the creation of microeconometric models. This work was produced by the doctor’s thesis.
This study examined how supervised machine learning methods help us select the relevant variables of a Household Budget Survey Consumption Expenditures dataset with outliers in order to achieve better performance in the predicting and forecasting of the Household Consumption Expenditures Model. To achieve this, the Household Budget Survey Consumption Expenditures dataset of Turkey for 2018 was examined using the Least Absolute Deviation (LAD), Least Absolute Shrinkage and Selection Operator (LASSO) and LAD-LASSO methods. In addition, the classical regression method and the prediction and forecasting performances of the methods were compared. According to the analyzed results,it was concluded that the LAD-LASSO machine learning method, which enables the selection of variables while obtaining robust predictors in the presence of long-tailed errors, was the most successful method in prediction performance and forecasting accuracy. Additionally, several fundamental variables such as income, saving, and household size increase the household consumption expenditures for all models. In addition to these variables, other variables including the structure of a room, the kitchen, bathroom floors, heating, air conditioning preferences, energy sources used, detached house, apartment, cottage, vineyard ownership, investment preferences, credit card usage, and internet shopping habits were selected as determinants of household consumption expendituresin the LAD-LASSO model. From the results of the study, it wasfound that machine learning algorithms can be used in the selection of the most appropriate variablesin the course of the construction of microeconometric models.
Field : Sosyal, Beşeri ve İdari Bilimler
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
