Νato’nun Kurucu Ülkelerinde Ekonomik, Çevresel ve Sosyal Faktörlerin Doğumda Beklenen Yaşam Süresine Etkisi: Rassal Orman Regresyonu

Abstract

Bu çalışmada, kişi başına düşen gayri safi yurt içi hasıla (GSYH), cari sağlık harcamaları (CSH), CO2 emisyonları (CO2), PM2.5 hava kirliliği (HK) ve kentsel nüfus oranı (KN) değişkenleri, doğrusal regresyon modelleri (OLS) ve Rassal Orman regresyonu (RF) yöntemleri kullanılarak karşılaştırmalı biçimde analiz edilmiştir. 2009–2020 dönemine ait veri seti üzerinden elde edilen bulgular, model performansları açısından önemli farklılıklar ortaya koymaktadır. Doğrusal regresyon modeli sonuçları incelendiğinde, hem zaman etkisinin hem de her bir ülkenin kukla değişkenler vasıtasıyla modele dahil edilmesiyle açıklama gücünün belirgin biçimde arttığı (R² ≈ 0.97) görülmektedir. Bu bulgu, ülkeler arası yapısal farklılıkların yaşam süresi üzerinde kritik rol oynadığını göstermektedir. Rassal orman regresyonu modeli ise daha güçlü bir tahmin performansı sergilemiştir. Özellikle 1000 ağaçlı modelin test setinde en yüksek açıklama gücüne ulaşması (R² ≈ 0.82) ve düşük hata metrikleri üretmesi, doğrusal olmayan yöntemlerin veri içerisindeki karmaşık ilişkileri daha başarılı şekilde yakalayabildiğini göstermektedir. Ayrıca, modelin eğitim ve test performansları arasındaki farkın görece düşük olması, aşırı öğrenme riskinin sınırlı olduğunu ortaya koymaktadır. Değişken önem analizleri, zaman ve sağlık harcamalarının (özellikle gecikmeli etkilerinin) yaşam süresi üzerinde belirleyici olduğunu göstermektedir. Sonuç olarak, elde edilen bulgular doğrusal modellerin açıklayıcı gücüne karşın, Rassal Orman yaklaşımının hem tahmin performansı hem de karmaşık ilişkileri yakalama kapasitesi açısından daha üstün olduğunu ortaya koymaktadır.This study comparatively analysed per capita gross domestic product (GDP), current health expenditure (CHE), CO2 emissions (CO2), PM2.5 air pollution (AP) and the urban population ratio (UPR) using linear regression (OLS) and Random Forest regression (RF) methods. Findings derived from the 2009–2020 dataset revealed significant differences in model performance. Examining the results of the linear regression model revealed that the explanatory power increased significantly (R² ≈ 0.97) when both the time effect and the country-specific dummy variables were included in the model. This indicates that structural differences between countries play a critical role in life expectancy. However, the Random Forest regression model demonstrated stronger predictive performance. Notably, the 1,000- tree model achieved the highest explanatory power (R² ≈ 0.82) and produced low error metrics in the test set, demonstrating the superiority of nonlinear methods in capturing complex relationships within the data. Additionally, the relatively small difference between the model’s training and test performance suggests that overfitting is not a significant risk. Variable importance analyses suggest that time and healthcare expenditure (particularly the lagged effects of these factors) are the primary determinants of life expectancy. In conclusion, despite the explanatory power of linear models, the Random Forest regression approach is superior in terms of both predictive performance and the ability to capture complex relationships.