AI Summary & Key Takeaways
AI InsightAccuracy of models over poverty status classŞ cation are found out to be 88,3% and 88,5% respectively for model built upon Logistic Regression and for model built using MARS method.
📌 3 Key Takeaways
Abstract
Examination of The Correlations Between Poverty Variable and Socio-Economic and Demographic Variables in Turkey by Using Logistic Regression and Mars Methods Poverty which corresponds to individuals those live below a particular income or consumption level is a multi dimensional problem. In this study, the main purposes are identiŞ cation of socio-economic and demographic variables affecting formation of the basic poverty indicator that belongs to income level and classiŞ cation of poor and non-poor households by building models including preset variables. Relative poverty level is calculated by using cross sectional-data obtained from TURKSTAT Income and Living Conditions Survey 2009 and the dependent variable ''poverty status'' is categorized accordingly.Using Logistic Regression and Multivariate Adaptive Regression Splines(MARS) methods, dependent variable is analyzed with respect to household and individual variables found in data set. Accuracy of models over poverty status classŞ cation are found out to be 88,3% and 88,5% respectively for model built upon Logistic Regression and for model built using MARS method.
Özet
Türkiye'de Yoksulluğun Sosyo-Ekonomik ve DemograŞ k Değişkenlerle İlişkilerinin Lojistik Regresyon ve Mars Yöntemleri Kullanılarak İncelenmesiYoksulluk genel olarak, toplumda belirli gelir ya da tüketim düzeyinin altında yaşayan bireyleri niteleyen çok boyutlu bir sorundur. Bu çalışmada yoksulluğun temel göstergesi kabul edilen gelir düzeyinin oluşumunda etkili sosyo ekonomik ve demograŞ k değişkenlerin belirlenebilmesi, yoksul ve yoksul olmayanların belirlenen değişkenler kullanılarak kurulan modellerle sınıfl anması amaçlanmıştır. Türkiye İstatistik Kurumu tarafından uygulanan Gelir ve Yaşam Koşulları Araştırması 2009 yılı kesit verileri kullanılarak, göreli yoksulluk sınırı hesaplanmış, "yoksulluk durumu" bağımlı değişkenine göre gözlem değerleri kategorize edilmiştir. Lojistik Regresyon ve Çok Değişkenli Uyumlu Regresyon Uzanımları (MARS) yöntemleri kullanılarak bağımlı değişken, veri içeriğinde bulunan hane ve fert düzeyindeki değişkenlerle analiz edilmiştir. Lojistik Regresyon kullanılarak kurulan modelin %88,3, MARS yöntemi ile kurulan modelin %88,5 oranında yoksulluk durumunu doğru sınıfl ayabildiği görülmüştür.