Dicas de R: o pacote RDBnomics

No Dicas de R de hoje, vamos mostrar como utilizar o pacote rdbnomics, que conecta o R à base de dados do DBNomics. O carro-chefe do pacote é a função rdb(), que permite acessar dados diretamente, tanto com calls para a API da base como para o ID das séries de interesse. Além disso, a função permite a aplicação de filtros - de agregação e interpolação - automaticamente, facilitando análises.

O ID de cada série está disponível logo abaixo de seu nome, dentro da página do provedor no site do DBNomics, entre chaves. Abaixo, mostraremos como exemplo como baixar os dados de taxa de desemprego da Argentina, Austrália e Áustria, com os dados do FMI.

library(rdbnomics)

arg <- rdb("IMF/WEO:2020-10/ARG.LUR.pcent_total_labor_force")
australia <- rdb("IMF/WEO:2020-10/AUS.LUR.pcent_total_labor_force")
austria <- rdb("IMF/WEO:2020-10/AUT.LUR.pcent_total_labor_force")

Com isso, temos 3 dataframes com as séries de interesse. Vamos então tratar os dados com tidyverse e visualizá-los com ggplot2. Como as séries são padronizadas pelo FMI, não precisamos nos preocupar com fazer matching das datas e inner joins, logo a transformação fica simplificada. Os dados vão de 1980 a 2025, logo a parte final é uma estimação para o futuro da trajetória de desemprego dos 3 países.

library(tidyverse)
library(ggplot2)

dados <- tibble(Argentina = arg$value,
Austrália = australia$value,
Áustria = austria$value,
Ano = seq(1980, 2025, by = 1)) %>%
pivot_longer(-Ano, values_to = "Valor", names_to = "Variável")

dados %>% ggplot(aes(x=Ano, y = Valor, color = Variável))+geom_line(size = 1.1)+
labs(title = "Taxa de desemprego entre 1980 e 2025", y = "%", x = NULL,
caption = "Fonte: Análise Macro com dados do DBNomics")+
scale_x_continuous(breaks = seq(1980, 2025, by = 5), labels = seq(1980, 2025, by = 5))+
theme_minimal()+
theme(legend.title = element_blank(),
plot.caption.position = "plot")


_____________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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”.

Estudo de Caso: Impacto do Metro em São Paulo

O que é Pareamento? E o que significa Propensity Score? Como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.Quer saber como essa análise foi construída? Seja aluno do nosso curso Avaliação de Políticas Públicas usando Python, e tenha acesso às aulas teóricas e práticas, com o código disponibilizado em 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.