Kazanimlar:
- Ham ekonomik veriyi (eksik gözlem, birim karışıklığı, sıklık uyumsuzluğu) yapay zeka yardımıyla temizleyip analize hazır hale getirebilme
- Reel-nominal dönüşüm, endeksleme, büyüme oranı, mevsimsel düzeltme gibi standart iktisadi dönüşümleri yapay zekaya kod olarak yazdırıp elle doğrulayabilme
- Keşifçi veri analizi (özet istatistik, dağılım, aykırı değer, korelasyon) ile veriyi tanıyıp yapay zeka özetlerini eleştirel okuyabilme
Ekonomik veri nadiren analize hazır gelir. TÜİK'ten indirdiğiniz bir tabloda bazı aylar eksiktir, bir sütun binlik ayraçlı metin olarak gelmiştir, kur "1.234,56" gibi Türkçe biçimdedir, bir seri aylık diğeri çeyrekliktir. İktisatçının zamanının büyük kısmı analizde değil, veriyi analize hazır hale getirmekte geçer. İşte yapay zeka burada gerçek ve düşük riskli bir hızlandırıcıdır: temizleme adımlarını önerir, pandas (Python'un veri işleme kütüphanesi) kodunu yazar, standart iktisadi dönüşümleri koda döker. Ama bu ünitenin de değişmez kuralı var: Yapay zekanın yazdığı her dönüşümü okuyup en az bir gözlemde elle doğrularsınız. Reel-nominal çevrim yanlış tabana oturmuşsa, tüm analiz sessizce çürür.
Temizlik: hangi sorunlar, nasıl çözülür?
Ekonomik veride en sık karşılaşılan sorunlar ve mantığı:
- Eksik gözlem. Bir ay/çeyrek boş. Çözüm bağlama bağlıdır: gerçekten yoksa boş bırakılır; teknik bir boşluksa dikkatli doldurma (interpolasyon) yapılır — ama uydurmayla arasındaki çizgi incedir.
- Birim ve biçim karışıklığı. "12.345,6" metni sayıya çevrilmeli; milyon/milyar tutarlı hale gelmeli.
- Sıklık uyumsuzluğu. Aylık ile çeyreklik seriyi birleştirmek için biri toplulaştırılır (aylıktan çeyrekliğe) — ortalama mı, toplam mı, dönem sonu mu olduğu göstergenin doğasına bağlıdır (stok/akım ayrımı).
- Aykırı (uç) değerler. Bir gözlem çılgınca sapıyorsa: gerçek bir olay mı (kriz, zam), yoksa veri hatası mı? Silmeden önce anlaşılır.
- Tarih hizalama. Farklı serilerin tarih formatları ve dönem tanımları eşitlenir.
Dikkat: Eksik veriyi doldurmak masum görünür ama iktisadi bir karardır. Bir kriz ayını "komşu ayların ortalamasıyla" doldurmak, o krizi analizden silmek demektir. Doldurmadan önce "bu boşluk neden var?" sorusunu yanıtlayın.
Standart iktisadi dönüşümler
Bir iktisatçının günlük repertuvarındaki dönüşümler ve tanımları:
- Nominal → Reel. Fiyat etkisini arındırma: reel değer = nominal değer / fiyat endeksi × 100. Deflatörün (düzeltici endeks) taban yılı, sonucun tabanını belirler.
- Endeksleme. Bir seriyi seçilen bir dönem = 100 olacak şekilde yeniden ölçekleme; farklı büyüklükteki serileri kıyaslamaya yarar.
- Büyüme oranı. Yıllık: (bu dönem / geçen yıl aynı dönem − 1) × 100. Dönemlik ve yıllıklandırılmış oran farklı şeylerdir; karıştırmak yaygın hatadır.
- Mevsimsel düzeltme. Düzenli mevsim etkisini (yaz turizmi, bayram) arındırma; ham seriyle mevsimsellikten arındırılmış seri farklı hikaye anlatır.
- Hareketli ortalama. Gürültüyü yumuşatıp eğilimi görünür kılma.
- Logaritma ve fark alma. Büyüme dinamiğini ve durağanlığı incelemek için (zaman serisi ünitesinde derinleşecek).
İpucu: Her dönüşümde "birim ve taban ne oldu?" diye sorun. Reel serinin tabanı deflatörün tabanıdır; endekslenen serinin tabanı seçtiğiniz dönemdir. Bunu yazılı tutmak sonraki hataları önler.
Keşifçi veri analizi (EDA)
Modele girmeden önce veriyi tanımak gerekir. Keşifçi veri analizi (EDA — Exploratory Data Analysis) şunları içerir: özet istatistik (ortalama, medyan, standart sapma, min-maks), dağılımın şekli, zaman içindeki seyir, aykırı değerler ve seriler arası korelasyon. Yapay zeka bu adımların kodunu hızla üretir; sizin işiniz çıktıyı iktisadi gözle okumaktır: "Bu ortalama makul mü? Bu korelasyon bir tesadüf mü, bilinen bir ilişki mi?"
Dikkat: Korelasyon burada sadece bir tanıma aracıdır, nedensellik kanıtı değildir. İki serinin birlikte hareket etmesi (örn. dondurma satışı ve boğulma vakaları — ikisini de yaz tetikler) birinin diğerine yol açtığını göstermez. Bu ayrımı 7. ünitede derinleştireceğiz.
Üç mini vaka
Vaka 1 — Yanlış deflatör tabanı. Bir analist ücret serisini reelleştirmek için yapay zekaya kod yazdırdı. Kod çalıştı, sonuç makul göründü — ama analist HESAP adımında 2020 için elle hesap yaptı ve tutmadı. Sorun: yapay zeka deflatörü 2003=100 tabanıyla kullanmış, ücret serisini ise 2015 fiyatlarıyla istemişti; tabanlar çelişiyordu. Kod tek satırlık düzeltmeyle onarıldı, tüm seri yerine oturdu.
Vaka 2 — Sessiz birim hatası. Bir kurum, ihracat verisini bin dolar cinsinden, ithalatı milyon dolar cinsinden indirmişti. Yapay zeka ikisini "dış ticaret dengesi" için çıkardığında sonuç absürt bir açık verdi. EDA'da min-maks bakışı hatayı ele verdi: iki serinin büyüklük mertebesi 1000 kat farklıydı. Birim eşitlendikten sonra denge doğru çıktı.
Vaka 3 — Aykırı değeri silmemek. Bir seride bir ay olağanüstü düşüktü. Yapay zeka "aykırı değer, temizleyelim" önerdi. Analist araştırdı: o ay bir doğal afet nedeniyle üretim gerçekten durmuştu. Değer gerçekti; silmek tarihi çarpıtırdı. Silmek yerine dipnotla işaretlendi. Yapay zekanın "temizle" önerisi körü körüne uygulanmadı.
Dönüşüm doğrulama tablosu
Dönüşüm
Formül özü
Elle kontrol noktası
Reelleştirme
nominal / fiyat endeksi × 100
Deflatör tabanı = sonuç tabanı mı?
Yıllık büyüme
(t / t-12ay − 1)×100
Bir dönemi kâğıtta hesapla
Endeksleme
seri / taban dönem × 100
Taban dönem değeri 100 mü?
Aylık→çeyreklik
akım: topla / stok: dönem sonu
Doğru toplama yöntemi mi?
Hareketli ortalama
son n dönem ortalaması
Pencere uzunluğu doğru mu?
Dört kopyalanabilir şablon
1) Temizleme planı:
Elimde şu ham veri var: [sütunlar ve örnek satırlar]. Analizehazırlamak için bir temizleme planı çıkar: eksik değer, birim/biçimsorunu, tarih hizalama, sıklık uyumu, olası aykırı değerler. Heradım için neden gerektiğini tek cümlede açıkla. Henüz kod yazma;önce planı onaylayayım.
2) pandas temizleme kodu:
Onayladığım plana göre pandas kodu yaz. Kod her adımda ne yaptığınıyorum satırıyla belirtsin; dönüşüm sonrası satır sayısı ve eksikdeğer sayısını yazdırsın. Hiçbir gözlemi sessizce silme; sildiğinher satırı raporla.
3) Reelleştirme (doğrulanabilir):
Şu nominal seriyi [fiyat endeksi] ile reelleştir. Kullandığındeflatörün taban yılını açıkça yaz; sonuç serisinin tabanınınne olduğunu belirt. Tek bir dönem için hesabı adım adım gösterki elle doğrulayabileyim.
4) Keşifçi analiz özeti:
Şu temizlenmiş veri için keşifçi analiz kodu yaz: özet istatistik,zaman serisi grafiği, aykırı değer taraması ve korelasyon matrisi.Sonuçları yorumlarken bulduğun korelasyonların NEDENSELLİKolmadığını açıkça belirt ve dikkatimi çeken 3 noktayı listele.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Bu veriyi temizle.
Yapay zeka neyi temizleyeceğini bilmeden varsayımlarla hareket eder; gözlem silebilir, birim değiştirebilir, siz fark etmezsiniz.
Güçlü prompt:
Bu aylık dış ticaret verisinde ihracat "bin USD", ithalat "milyonUSD" cinsinden. İkisini "milyon USD"de eşitle, eksik aylarıişaretle ama DOLDURMA, tarihleri ay sonuna hizala. Her adımdakaç satır etkilendiğini yazdır; hiçbir satırı sessizce silme.Sonra tek bir ay için dengeyi elle kontrol edebileceğim biçimde göster.
Sık yapılan hatalar
- Dönüşüm kodunu okumadan çalıştırmak. Yanlış taban/birim sessizce tüm analizi bozar.
- Eksik veriyi düşünmeden doldurmak. Kriz/afet dönemini ortalamayla silmek.
- Aykırı değeri otomatik atmak. Gerçek bir olayı veri hatası sanmak.
- Dönemlik ve yıllık büyümeyi karıştırmak. İkisi farklı büyüklüktür.
- Sıklıkları yanlış birleştirmek. Stok serisini toplayıp akım gibi işlemek.
- EDA'daki korelasyonu nedensellik sanmak. Tanıma aracını kanıt sanmak.
Özetle
Veri temizleme ve dönüştürme, iktisadi analizin görünmeyen ama belirleyici yüzde 80'idir. Yapay zeka bu mekanik işi ciddi biçimde hızlandırır; ama her temizleme adımını ve her dönüşümü okuyup en az bir gözlemde elle doğrulamak size düşer. Deflatör tabanı, birim, sıklık ve aykırı değer kararları iktisadi kararlardır ve körü körüne yapay zekaya bırakılamaz. Keşifçi analiz veriyi tanıtır, ama oradaki korelasyon nedensellik değildir.
Uygulama görevi
Gerçek bir ham seri indirin (örn. aylık TÜFE ve bir nominal ücret/gelir serisi). 1. şablonla temizleme planı çıkartın, 2. şablonla kodu ürettirin, 3. şablonla seriyi reelleştirin. Sonra tek bir dönemin reel değerini kâğıt üstünde hesaplayıp yapay zekanın çıktısıyla karşılaştırın. Bir uyuşmazlık bulursanız kaynağını (taban/birim) teşhis edip düzeltin ve süreci not edin.
Kontrol listesi
- [ ] Temizleme planını kod yazılmadan önce gözden geçirip onayladım.
- [ ] Yapay zekanın sildiği/değiştirdiği her satırı raporlattım; sessiz silme yok.
- [ ] Eksik veriyi doldururken "neden boş?" sorusunu yanıtladım.
- [ ] Aykırı değerin gerçek olay mı veri hatası mı olduğunu araştırdım.
- [ ] Reelleştirmede deflatör tabanı ile sonuç tabanının uyuştuğunu doğruladım.
- [ ] En az bir dönemin dönüşümünü elle yeniden hesapladım.
- [ ] EDA'daki korelasyonları nedensellik olarak sunmadım.