Yakıt fiyatlarının enflasyona etkisi¶
Geçtiğimiz derslerde
- Merkez Bankasından kur verisini almayı (http://www.barissanli.com/calismalar/dersler/r/rders11.php)
- Bu veriyi Uluslararası akaryakıt fiyatları ile biraraya getirmeyi (http://www.barissanli.com/calismalar/dersler/r/rders14.php)
görmüştük. Bu sefer biraz daha farklı bir işe girişeceğiz. Bunun için iki tane dosyayı bilgisayarınıza indirip oradan devam etmenizi tavsiye ederim. Bu dosyalardan biri ders 14 sonundaki veri dosyası, diğeri de aşağıda TCMB'den indirilecek aylık enflasyon veri seti
- Dosya adı: 20171123-ders14sonu.rds: Bu dosyada 14.ders sonunda elde ettiğimiz tüm veriler var.
- Dosya adı: 20171125-enflasyon.rds: Bu dosyada da TCMB aylık enflasyon verileri var.
Çalışmada sırası ile
- Ders 14'teki TL cinsinden akaryakıt fiyatları ve uluslararası petrol/akaryakıt fiyatlarını yükleyeceğiz
- İlintisine/korelasyonuna bakacağız
- Günlük verileri aylık verilere çevirmeyi göreceğiz
- Aylık verilerin ilintisine bakacağız
- TCMB'den aylık enflasyon verilerini ekleyerek, 1,2 ve 6 ay sonraki enflasyon verilerini ekleyeceğiz
- Otomatik model seçimi ve grafikleme
- Son olarak da aylık verilerin değişiminin ilişkisine bakacağız
Anlamadığınız birşey olursa mail adresim barissanli2@gmail.com
Verileri yükleme¶
Öncelikle bu bölümde işiminizin düşebileceği kütüphanelerden "xts"'i hemen yükleyelim. Eğer yüklenmiyorsa, kurmanız gerekir onun için
- install.packages("xts")
library(xts)
Ben bu kodlamayı defalarca çalıştırdığım için kullandığım verilerin hepsini sıfırlıyorum. Belki göremediğim ve sütun veya satır kalmasın, daha önceki işlemlerden kalan rakamlar tamamen silinsin diye.
toplam<-NULL
tot_ay<-NULL
oran_tot_ay<-NULL
enf<-NULL
Şimdi zaman serisi olarak bir önceki dersten gelen veri dosyamızı okuyalım. Dosyayı indirmek için bu linki kullanabilirsiniz :20171123-ders14sonu.rds
Normalde readRDS olarak okumak yeterliyken, zaman serisi verilerini doğru çekmediğini gördüğümden, readRDS'de bir de as.xts komutu ile (xts - zaman serisi) olarak oku talimatını veriyorum
toplam<-as.xts(readRDS("20171123-ders14sonu.rds"))
Bakalım verimiz aynen duruyor mu? Ben tail ile sonuna baktım, ama isteyen head ile verinin hangi noktadan başladığına da bakabilir
tail(toplam)
İlintilere/Korelasyonlara göz atma¶
Veri setimizde yer alan her bir sütunun birbiri ile ilişkisine bakmak için
- cor komutuna
tüm veri tablomuzu giriyoruz. Korelasyon tablosu 0-1 arasında, değerler verecek. Burada hangi sütun hangisi ile ne kadar ilişkili onu göreceğiz. Mesela aşağıdaki tabloda, akaryakıttaki KDV'nin Toplam yakıt bedeli ile korelasyonu 1 çıkmaktadır. Çünkü KDV tüm diğer bedellerin %18'i, dolayısıyla Toplam bedel de tüm diğer bedellerin %118'dir
cor(toplam)
Günlük veriyi aylık veriye çevirmek¶
R'da günlük bir veriyi, zaten zaman serisi olarak belirledi isek, apply_monthly komutu ile aylık veriye çevirebiliriz. Ben aşağıda örnek olsun diye toplam verilerin herbirinin sütun sütun aylık veriye çevrilmesini gösterdim. apply_montly komutuna mean ekleyerek ortalamaları buluyoruz.
# Bu satırı çalıştırmasak da olur
toplam_ay<-apply.monthly(toplam$Toplam,mean)
brenttl_ay<-apply.monthly(toplam$brentTL,mean)
kur_ay<-apply.monthly(toplam$kur,mean)
Her bir sütunu ayrı ayrı aylık veriye çevireceğimize, hepsini tek elden, aşağıdaki şekilde aylık değerlere çevirerek, tot_ay değişkenine aktarabiliriz.
tot_ay<-apply.monthly(toplam,mean)
Şimdi aylık verilere baktığımızda verilerin ortalamasının ay sonu itibari ile verildiğini göreceğiz.
head(tot_ay)
Şimdide de aylık ortalamalı verilerin birbiri ile korelasyonuna bakalım, komutumuz tekrar cor
cor(tot_ay)
Aylık Verileri Merkez Bankası Enflasyon verisi ile birleştirmek¶
Elimizde aylık akaryakıt verileri tablosu var. Şimdi TCMB(Merkez Bankasından) aylık enflasyon verilerini indirmek için yeniden tcmb_evds fonksiyonunu ve kullanmak için gerekli kütüphaneleri tanıtıyorum. Zekice birşey yapıp herşeyi tek satırda bitirebilirsiniz. Ben veri analizinde daha temkinli olmaktan yanayım, büyük veri setleri ile çalışırken bir dikkatsizlik uzun süre görülmeden tüm bir analizi etkileyebilir.
library(RCurl)
library(plyr)
tcmb_evds<-function(veriseti,baslangic,son, anahtar) {
adres="https://evds2.tcmb.gov.tr/service/evds/"
seri=paste("series=",veriseti, sep="")
tarihler=paste("&startDate=",baslangic,"&endDate=",son, sep="")
tamamlayici=paste("&type=csv&key=",anahtar, sep="")
veriadresi<-paste(adres,seri,tarihler,tamamlayici, sep="")
xmlveri <- getURL(veriadresi, .opts = list(ssl.verifypeer = FALSE))
return(xmlveri)
}
Merkez bankası enflasyon endeksi kodu olan:
- TP.FG.J0 'ı
- TCMB EVDS'ye kayıt olunca, profil kısmından aldığımız anahtar ile birlikte veriyi alıyoruz UYARI: Bu kısmı Azure Notebooks'da çalıştırırken sorunlar yaşadım. Ama diğerlerinde herhangi sorun görmedim.
anahtar<-"XXXXXXXXXXX"
csvkur<-tcmb_evds("TP.FG.J0","01-01-2005", "25-11-2017",anahtar)
Şimdi bize json şeklinde gelen veriyi enf değişkenine atalım
enf<-read.csv(text=csvkur,header=TRUE,sep=",")
Eğer veriyi çekemediyseniz, burada hazırı var. 20171125-enflasyon.rds
Aylık enflasyonu verisini yükleyemediyseniz, doğrudan üst satırdaki dosyayı dizine indirin ve enf değişkenine okutun
enf<-readRDS("20171125-enflasyon.rds")
Aylık veriyi sisteme eklemek¶
Elimizde tot_ay değişkeninde daha önce hesapladığımız değişkenler vardı. Şimdi orada bir satır açarak:
- tot_ay\$enf<-0 ile bu sütunun içine enf değişkeninin içindeki değişkenleri ekleyeceğiz.
Dikkat edilirse 155 satırlık değişken havuzunda sadece 154 satıra değişken atıyorum. Çünkü enf değişkeni PROGRAMIN YAZILDIĞI TARİHTE KASIM ENFLASYON VERİSİNİ İÇERMİYORDU Eksik olan veri de son veri, yani kasım verisi.
Bunu head(enf) veya tail(enf) ile kontrol edebilirsiniz.
tot_ay$enf<-0
tot_ay$enf[1:154]<-t(enf[1:154,2])
Şimdi toplam matrisimizde kaç veri var(length), kaç sütun var(ncol) ve kaç satır var (nrow) onu görelim
length(tot_ay); ncol(tot_ay) ; nrow(tot_ay)
Aylık toplamsal verimize bir kez daha bakalım
head(tot_ay)
Aylık verilerin ilişkisi ve Sonraki ay enflasyon verisinin eklenmesi¶
Tüm veriler yerli yerinde ise, şimdi aylık verilerin ilişkisine bakabiliriz
cor(tot_ay)
Normalde bugün ki kur, petrol fiyatı vs'nin enflasyona etkisi sonraki dönemlerde etkisini gösteriyor olabilir. Bu sebeple, enflasyonu 1,2 ve 6 ay önce çekerek analizlere tekrar bakmamız gerekiyor. Bu ileri geri mantığı benim aklımı hep karıştırıyor. O yüzden yapmak istediğim bu ay ki fiyatlar ile gelecek ay ki enflasyonun aynı satıra gelmesi
Normalde enflasyonu sabit tutup, 1,2 ve 6 dönem(ay) önceki fiyat verileri ile ilişkiye bakmak gerekirdi. Ama bunların yerine ben sadece enflasyonu kaydırmayı tercih ettim
Bunun için de lag komutunu kullanıyoruz. Aylık toplam veri tablosuna (tot_ay)'a
- enf_1 (Bir ay sonraki enflasyon)
- enf_2 (İki ay sonraki enflasyon)
- enf_6 (Altı ay sonraki enflasyon) verilerini ekliyoruz.
tot_ay$enf_1<-lag(tot_ay$enf,-1)
tot_ay$enf_2<-lag(tot_ay$enf,-2)
tot_ay$enf_6<-lag(tot_ay$enf,-6)
Bu kısım sadece otomatik model sonucu için¶
Şimdi "leaps" kütüphanesinden otomatik model kurduracağız. Bu kısım sadece spor olsun diye yaptığım bir kısım. Kısa kısa hızlı geçeceğim
library(leaps)
Şimdi bir dönem sonraki enflasyonu en iyi tanımlayan modeli aratalım
sonuc<-NULL
sonuc<-regsubsets(enf_1~WTI+Brent+LADizel+Brent2Dizel+kur+ABDBrentDizelTL+OTV+Marj+KDV+Toplam+brentTL,data=tot_ay, nbest=1)
regsubsets bilmeyenler için yardıma bu şekilde bakılabilir.
#Yardım konularına bakalım
?regsubsets
Şimdi sonuçlara ve içlerinde Adjusted R2 için en iyi modelin kaçıncısı olduğuna bakalım
sonuclar<-summary(sonuc)
which.max(sonuclar$adjr2)
Bir de en iyi modelin hangi değişkenlerle kurulabildiğine bakabiliriz. En yukarıdaki model en iyisi
options(repr.plot.width=4, repr.plot.height=4)
plot(sonuc)
Modelin katsayıları nelermiş bakalım:
coef(sonuc,7)
Şimdi doğrusal olarak modeli kuralım
lmsonuc<-lm(enf_1~Brent+Brent2Dizel+kur+ABDBrentDizelTL+brentTL+ Toplam, data=tot_ay)
anova(lmsonuc)
Model sonucunu parametreleri ve anlamlılık değerlerine bakalım.
summary(lmsonuc)
Şimdi modelin ürettiği sonuçları gerçek sonuçlar ile üst üste görelim
tot_ay$enffitted[2:155]<-lmsonuc$fitted.values
plot(tot_ay[,13])
lines(tot_ay[,16], col="red")
Oranların değişimini görmek¶
Şimdi de verilerin birbiri ile hareketini değil, verilerin aydan aya değişimlerinin birbiri ile ilişkisine bakalım.
Bu kısımda biraz karışık olabilir. lag komutu biraz farklı hareket ediyor. Bir sonraki dönemi istiyorsanız (-1) vermeniz gerekir. Aşağıdaki formülde bir ay sonraki değişkenleri o ayki değişkenlere oranlayarak 1 çıkarıyorum. Yani % değişim oranını buluyorum
oran_tot_ay<-lag(tot_ay,-1)/tot_ay - 1
#tail(lag(tot_ay,-1))
1 Kasım 2017'den önce veriler tam değil, enflasyon daha belli olmamıştı bu tarihte
oran_tot_ay<-oran_tot_ay[index(oran_tot_ay)<"2017-11-01",]
Yine ilinti oranları tablosunu görelim. Ama bu sefer 100 ile çarparak görelim.
- use="complete.obs" ile olmayan verileri (NA) boşver diyoruz. Yoksa o satırda eksik veri varsa sonuç üretmiyor
100*cor(oran_tot_ay,use = "complete.obs")
Sonuç¶
Bu seferki analiz biraz daha karışık oldu. Günlük verileri aldık, aylığa çevirdik, enflasyon verisi ekledik. Sonra enflasyon verisinin 1,2 ve 6 ay sonraki verilerini de tabloya sütun olarak yerleştirdik. Otomatik model, korelasyon, herşeye bakmış olduk.
Bu analizin yazısını www.barissanli.com adresindeki 2017 yılı çalışmaları içinde bulabilirsiniz.
Aslında bu analizler çok daha basit analizler. Gelişmiş analiz yöntemlerini internette arayarak da bulabilirsiniz.