Dados alternativos em Macroeconomia

Comumente, ao analisar dados Macroeconômicos, nos preocupamos em utilizar dados de estatísticas oficiais, entretanto, é possível obter insights utilizando outros tipos de dados, como é o caso dos dados alternativos. Um tipo de dado alternativo interessante é obtido através do relatório de mobilidade da comunidade do Google. No post de hoje, vamos analisar os dados deste relatório utilizando o R.

Dados alternativos são dados não tradicionais que fornecem informações úteis para determinada área. No caso do relatório de mobilidade do google (mobility trends), é possível obter informações dos locais de maior mobilidade da população de uma região ou país.

Com a devida análise do mobility trends, podemos saber os setores que estão recebendo maior número de deslocamento, tais como varejo e lazer, mercados e farmácias, parques, estações de transporte público, locais de trabalho e áreas residenciais. Logo, as informações podemos construir formas de capturar os possíveis volumes de venda de determinado setor no curto prazo.

Vamos realizar uma análise do mobility trend do google utilizando o pacote {covid19mobility}, disponível no repositório do Github do autor "covid19r/covid19mobility".

Uma vez instalado, utilizamos a função refresh_covid19mobility_google_country() para importar os dados do Google, que nos fornecerá o relatório para diversos países do mundo, bem como de todos os setores. Portanto, é necessário realizar os devidos filtros antes de realizar a análise

________________________________________

Quer saber mais?

Veja nossos cursos de Macroeconomia através da nossa trilha de Macroeconomia Aplicada.

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.