Dessazonalizando os dados de focos de queimadas no Brasil

Em post anterior nesse espaço, comecei a investigar o comportamento da série mensal de focos de queimadas no Brasil. A primeira característica marcante da série é sua sazonalidade, que mostrei com a função ggmonthplot do pacote forecast. Agora, vamos retirar essa sazonalidade da série, de modo a investigar outros comportamentos interessantes.

Antes de mais nada, um gráfico da nossa série:


ggplot(data, aes(obs, Focos/1000))+
geom_line(size=.8)+
scale_x_date(breaks = date_breaks("1 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Mil',
title='Focos de Queimadas no Brasil',
caption='Fonte: http://queimadas.dgi.inpe.br/queimadas/portal')

E o gráfico...

Usando o pacote seasonal, podemos agora dessazonalizar os nossos dados com o código abaixo.


queimadas_sa = final(seas(queimadas))

E abaixo um gráfico da nossa série dessazonalizada.

A linha vermelha é uma média móvel de 24 meses que mostra uma tendência de queda na maior parte da amostra.

_________________

Um script completo estará disponível no Clube do Código quando terminarmos essa série de posts sobre focos de queimadas no Brasil.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como Construir um Monitor de Política Monetária Automatizado com Python?

Descubra como transformar dados do Banco Central em inteligência de mercado com um Monitor de Política Monetária Automatizado. Neste artigo, exploramos o desenvolvimento de uma solução híbrida (Python + R) que integra análise de sentimento das atas do COPOM, cálculo da Regra de Taylor e monitoramento da taxa Selic. Aprenda a estruturar pipelines ETL eficientes e a visualizar insights econômicos em tempo real através de um dashboard interativo criado com Shiny, elevando o nível das suas decisões de investimento.

Qual o efeito de um choque de juros sobre a inadimplência?

Neste exercício, exploramos a relação dinâmica entre o custo do crédito (juros na ponta) e o risco realizado (taxa de inadimplência) através de uma análise exploratória de dados e modelagem econométrica utilizando a linguagem de programação R.

Qual a relação entre benefícios sociais e a taxa de participação do mercado de trabalho?

Este exercício apresenta uma investigação econométrica sobre a persistente estagnação da taxa de participação no mercado de trabalho brasileiro no período pós-pandemia. Utilizando a linguagem R e dados públicos do IBGE e Banco Central, construímos um modelo de regressão linear múltipla com correção de erros robustos (Newey-West). A análise testa a hipótese de que o aumento real das transferências de renda (Bolsa Família/Auxílio Brasil) elevou o salário de reserva, desincentivando o retorno à força de trabalho.

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.