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

Como choques inflacionários afetam a previsão da Selic?

Como mensurar a importância de choques na inflação sobre o erro de previsão da taxa de juros? Neste exercício quantificamos esta pergunta sob a ótica de um modelo VAR, usando dados recentes da macroeconomia brasileira. Especificamente, estimamos a decomposição da variância dos erros de previsão do modelo, analisando choques na inflação da gasolina e sua importância sobre a variância dos erros de previsão da taxa Selic.

Modelo de previsão para o preço da gasolina

Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação Python.

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!

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.