Obtendo valores deflacionados com o R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Uma dúvida muito comum entre os alunos dos Cursos Aplicados em R da Análise Macro é como obter valores deflacionados ou reais. De forma a ilustrar o processo, vamos pegar os saldos de transações de crédito total, pessoa física e pessoa jurídica a partir do pacote BETS do Sistema de Séries Temporais do Banco Central. Esse foi, a propósito, o exercício 39 do Clube do Código.


total = window(BETS.get(20539), start=c(2007,03))
pj = BETS.get(20540)
pf = BETS.get(20541)

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/09/cliqueaqui.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Abaixo os gráficos das séries...


times = seq(as.Date('2007-03-01'), as.Date('2018-04-01'), 
by='1 month')
df = data.frame(time=times, total=total,
pj=pj, pf=pf)
ggplot(df, aes(x=time))+
geom_line(aes(y=total/1000, colour='Total'), size=.8)+
geom_line(aes(y=pj/1000, colour='Pessoa Jurídica'), size=.8)+
geom_line(aes(y=pf/1000, colour='Pessoa Física'), size=.8)+
scale_colour_manual('', values=c('Total'='blue',
'Pessoa Jurídica'='darkgreen',
'Pessoa Física'='red'))+
theme(legend.position = 'top')+
xlab('')+ylab('R$ milhões')+
labs(title='Saldo de Operações de Crédito (R$ milhões)',
subtitle='Valores Correntes',
caption='Fonte: elaboração própria com dados do BCB.')+
scale_y_discrete(limits=c(500,1000,1500,2000,2500,3000))+
scale_x_date(breaks = date_breaks("1 years"),
labels = date_format("%Y"))+
annotate("rect", fill = "lightblue", alpha = 0.3, 
xmin = as.Date('2016-01-01'), 
xmax = as.Date('2018-04-01'),
ymin = -Inf, ymax = Inf)

As séries estão, naturalmente, em valores correntes ou nominais. De forma a colocá-las em valores reais, precisamos de um deflator. Com o código abaixo, por suposto, importamos o número-índice do IPCA da base de dados SIDRA do IBGE, com o pacote SidraR.


ipca = get_sidra(api='/t/1737/n1/all/v/2266/p/all/d/v2266%2013')
ipca = ts(ipca$Valor, start=c(1979,12), freq=12)
ipca = window(ipca, start=start(total))

De posse do número-índice do IPCA, podemos aplicar a seguinte fórmula sobre as nossas séries:

(1) $\begin{align*} V_{r} = V_{t} \times \begin{pmatrix} \frac{I_{k}}{I_{t}} \end{pmatrix} \end{align*}$

onde o valor real $V_{r}$ será obtido multiplicando o valor nominal em $t$ pela razão entre o índice de preço no período $k$ e no período $t$ . Em assim sendo, podemos trazer os valores das nossas séries aos preços de abril de 2018, com o código a seguir.


credito = ts.intersect(total, pf, pj)
credito.real = credito*(ipca[length(ipca)]/ipca)
colnames(credito.real) = colnames(credito)

Abaixo comparamos os valores reais e nominais do saldo de transações de crédito total.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_image][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Variações Nominais vs. Variações Reais

Por suposto, podemos construir variações sobre valores reais e nominais. Caso, façamos, por exemplo, uma variação acumulada em 12 meses dos valores nominais, tudo o que teremos será uma variação nominal. Veja, por exemplo, com o código abaixo.


anual = (credito/lag(credito,-12)-1)*100
colnames(anual) = colnames(credito)

E abaixo um gráfico.

Podemos, agora, transformar essas variações nominais em reais de duas formas. Primeiro, podemos simplesmente fazer a mesma operação acima, mas utilizando as séries reais que construímos acima.


anual.real = (credito.real/lag(credito.real,-12)-1)*100
colnames(anual.real) = colnames(credito)

Ou podemos aplicar a fórmula

(2) $\begin{align*} \Delta_{real} = \begin{bmatrix} \begin{pmatrix} \frac{1 + (V_{nom}/100)}{1+ (\pi/100)} \end{pmatrix}-1 \end{bmatrix} \times 100 \end{align*}$

onde, $\pi$ é a inflação do período. O código abaixo operacionaliza.


ipca2 = window(BETS.get(13522), start=c(2008,03))
anual = (credito/lag(credito,-12)-1)*100
anual.real2 = (((1+(anual/100))/(1+(ipca2/100)))-1)*100
colnames(anual.real2) = colnames(credito)

Uma vez calculadas as variações das séries, plotamos um gráfico, como abaixo.

Update: por óbvio, para rodar o código é preciso carregar os pacotes BETS, ggplot2, sidrar e scales.

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Criando operações SQL com IA Generativa no R com querychat

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Econometria, ML ou IA para previsão da PMS?

Econometria, ML ou IA para previsão da PMC?

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!