1. Neural networks with value of Turkey's GDP forecast
- Author
-
Geçgil, Gizem, Akgül, Yakup, ALKÜ, Sosyal Bilimler Enstitüsü, Uluslararası Ticaret Ana Bilim Dalı, Geçgil, Gizem, and Uluslararası Ticaret Ana Bilim Dalı
- Subjects
Artificial Neural Network ,Artificial neural networks ,Economics ,Estimation techniques ,Kısmi En Küçük Kareler ,Gross domestic product ,Structural Equation Model ,Yapay Sinir Ağı ,Partial Least Squares ,GDP ,İşletme ,Yapısal Eşitlik Modeli ,GSYH ,Ekonometri ,Econometrics ,Ekonomi ,Estimation ,Economic growth ,Business Administration - Abstract
Ekonomik büyüme ve ekonomik kalkınma düzeyini ölçen milli gelirin en önemli araçlarından biri olan Gayrisafi Yurtiçi Hasıla (GSYH) ülkelerin genel görünümü hakkında bilgi vermektedir. GSYH rakamları yüksek olan ekonomiler gelişmiş olarak nitelendirilmektedir. Türkiye ekonomisi için de bu rakamların yükselmesi gelişimine katkı sağlayacaktır.Bu çalışmanın amacı Türkiye'nin GSYH değerlerini tahmin etmektir. Bu bağlamda 1998-2017 yılları arasında GSYH' yi etkileyebileceği düşünülen değişkenler seçilerek öncelikle Yapısal Eşitlik Modeli, Kısmi En Küçük Kareler metodu uygulanmış olup daha sonra Yapay Sinir Ağı Modeli ile GSYH tahmini gerçekleştirilmiştir.Yapısal Eşitlik Modeli sonuçlarına göre seçilen değişkenler GSYH' yi yüksek bir değerle açıklamıştır. Modelde sabit sermaye yatırımı-toplam yurtiçi tasarruf ve tüketim değişkenleri desteklenirken diğer değişkenler desteklenmemiştir. Ayrıca uyum iyiliği endeksinin yüksek bir değer alması çalışmanın evrensel geçerliliğe sahip olduğunu göstermektedir.2 ile 5 arasında gizli katman sayısı denenerek oluşturulan Yapay Sinir Ağı modelinin sonuçlarına bakıldığında en iyi sonuca gizli katman sayısı 5 olarak seçildiğinde ulaşılmıştır. 5 gizli katmanda R2=0,996140651, RMSE=19444911,6, MAE=15845918,2 ve MAPE=32,29791086 değerleri elde edilerek kurulan modelin kabul edilebilir olduğu sonucuna ulaşılmıştır. Ayrıca istatistiksel olarak gizli katman sayısı arttıkça modelin daha iyi sonuç verdiği görülmüştür. GSYH' nin gerçek değerleri ile tahmin değerleri birbirine çok yakın çıkmıştır. Buradan Yapay Sinir Ağının tahmin gücünün yüksek olduğu tespit edilmiştir.Anahtar Kelimeler: Yapısal Eşitlik Modeli, Kısmi En Küçük Kareler, Yapay Sinir Ağı, GSYH The Gross Domestic Product (GDP), which is one of the most important instruments of national income that measures the level of economic growth and economic development, provides information about the general outlook of the countries. Economies with high GDP figures are considered advanced. Also for Turkey's economy will contribute to the development of the rise in these figures.The aim of this study was to estimate the value of Turkey's GDP. In this context, firstly, Structural Equation Model and Partial Least Squares Method were applied by selecting the variables that could affect the GDP between 1998 and 2017 and then estimating the GDP with the Artificial Neural Network Model.According to the results of the Structural Equation Model, the selected variables explained the GDP with a high value. In the model, fixed capital investment-total domestic savings and consumption variables were supported, while other variables were not supported. In addition, a high value of the goodness of fit index shows that the study has universal validity.Looking at the results of the Artificial Neural Network model which is created by trying the hidden layer number between 2 and 5, the best result is reached when the number of hidden layers is selected as 5. It was concluded that the model established by obtaining the values of R2 = 0,996140651, RMSE = 19444911,6, MAE = 15845918,2 and MAPE = 32,29791086 in 5 hidden layers is acceptable. In addition, as the number of hidden layers increased, the model showed better results. The real values of GDP and estimation values are very close to each other. It is determined that the Artificial Neural Network has a high predictive power.Keywords: Structural Equation Model, Partial Least Squares, Artificial Neural Network, GDP 109
- Published
- 2019