Dicas de R: dados da Zona Euro

E aí pessoal! Para o Dicas de R dessa semana, vamos mostrar como acessar dados macroeconômicos da Zona do Euro, e mostrar uma breve visualização deles conforme fazemos nos nossos cursos com dados brasileiros. Os dados estão disponíveis no Observatório Macroeconômico do CEPREMAP, e são distribuídos em 4 arquivos:

1. O arquivo sw03 contém dados atualizados para a Zona do Euro de uma tabela utilizada para um modelo DSGE em Smets e Wouters (2003)
2. O arquivo financial contém dados financeiros conforme Christiano et al.(2014)
3. O arquivo fiscal contém dados de impostos e do governo conforme Paredes et al. (2014)
4. O arquivo open contém dados sobre o setor externo da Zona do Euro, como demanda externa, taxa de juros externa, preço de petróleo, importações e exportações, etc.

Os arquivos são atualizados com frequência, e o método de coleta deles é explicado no site do CEPREMAP para quem quiser saber mais. O código abaixo baixa os arquivos e os transforma em um único tibble:

library(tidyverse)
sw03 <- read_csv("https://shiny.cepremap.fr/data/EA_SW_rawdata.csv") %>%
filter(period >="1980-01-01")

fiscal <- read_csv("https://shiny.cepremap.fr/data/EA_Fipu_rawdata.csv")

financial <- read_csv("https://shiny.cepremap.fr/data/EA_Finance_rawdata.csv")

open <- read_csv("https://shiny.cepremap.fr/data/EA_Open_rawdata.csv")

agregado <- sw03 %>%
inner_join(fiscal,by="period") %>%
inner_join(financial,by="period") %>%
inner_join(open,by="period") %>%
mutate(employrt = employ/pop)

A tabela é extensa, possuindo desde dados mais comuns, como taxas de juros de curto e longo prazo, PIB e consumo, a dados mais interessantes, como impostos e subsídios, contribuição dos trabalhadores, empréstimos para domicílios e instituições não-financeiras, etc.

Vamos utilizar agora o ggplot para visualizar algumas dessas séries. É importante notar que a taxa de emprego utilizada não é sobre a população economicante ativa, e sim sobre a população total, logo não pode ser comparada com dados de outras áreas. Para encontrar a taxa usual, seria preciso acessar os dados desagregados de cada país.

library(ggplot2)
library(ggthemes)
library(scales)
library(ggrepel)
breaks_fun <- function(x) {
if (max(x) > 2000000) {
c(1600000, 2000000, 2400000)
} else if (max(x) > 1400000) {
seq(800000,1500000,200000)
} else if (max(x) > 500000) {
seq(300000, 600000, 100000)
} else {
seq(0.6, 0.75, 0.03)
}

}

agregado %>% rename("Consumo"=conso, "PIB"=gdp, "Investimento"=inves,
"Taxa de emprego" = employrt) %>%
pivot_longer(!period, names_to = "dados", values_to = "value") %>%
filter(dados %in% c("Consumo", "PIB", "Investimento", "Taxa de emprego")) %>%
ggplot(aes(x=period, y = value, colour=dados))+
geom_line(size = 1.1)+
facet_wrap(~dados, scales = 'free_y')+
scale_x_date(breaks = date_breaks("5 years"),
labels = date_format("%Y"))+
scale_y_continuous(breaks = breaks_fun,
labels = function(x) format(x, big.mark = ",", scientific = FALSE),
limits=c(NA, NA))+
theme_fivethirtyeight()+
theme(axis.text.x=element_text(angle=45, hjust=1),
legend.position = 'none',
axis.title.x=element_blank(),
strip.text = element_text(size=10, face='bold'))+
labs(y='',
title='Principais variáveis macroeconômicas - Zona do Euro',
caption='Fonte: analisemacro.com.br com dados do CEPREMAP')

_____________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.