Analisando as Contas Nacionais Trimestrais no Python

As Contas Nacionais Trimestrais refletem os dados sobre a geração, distribuição e uso da renda no País. Com ela, é possível avaliar o PIB e seus componentes ao longo do tempo. No post de hoje, vamos avaliar o CNT no Python.

O CNT é construído pelo IBGE, que reúne e calcula os valores do PIB e de seus componentes a cada trimestre. O interessante é que os dados do CNT podem ser obtidos através do Sidra, o repositório de dados do IBGE.

Para importar o CNT é necessário ter as tabelas e configurar os parâmetros que se deseja para obter os dados. As tabelas utilizadas aqui foram as 1620 e 1621. Para realizar o procedimento de extração, foi utilizado a biblioteca sidrapy do Python. Além da obtenção dos dados, fora realizado diversos tratamentos, bem como o calculo de variações do PIB e seus componentes.

Para entender como foi criado os gráficos abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Vejamos abaixo as variações do PIB:

No gráfico acima, é possível analisar todas as variações construídas por meio de cálculos usando o pandas no Python. Através delas, é possível verificar as elevações e quedas do PIB do país desde 1998 até o terceiro trimestre de 2022. Cada variação tem um significado importante, pois permitem avaliar efeitos imediatos e passados.

Outra forma interessante de avaliar o PIB é através de seus componentes. Vejamos para cada tipo de variação, os seus respectivos resultados para os componentes, tomando como base o terceiro trimestre de 2022.

Variação Marginal

Variação Interanual

Variação Anual

Variação Acumulada no ano

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.