A recuperação em V do PIB brasileiro

No próximo dia 15/12, darei uma aula ao vivo sobre como automatizar um departamento de pesquisa macroeconômica com o R. A aula faz parte do lançamento do Clube AM,  um grupo fechado e exclusivo de pessoas que buscam estar atualizadas com o que há de mais moderno no mundo da Análise de dados com R, com reuniões mensais e acesso a materiais e descontos exclusivos. Para se inscrever na aula, clique aqui. Para ilustrar o que faremos nessa aula, no Comentário de Conjuntura dessa semana vou mostrar como é possível automatizar a coleta e tratamento dos dados do Produto Interno Bruto (PIB) brasileiro.

Em termos simples, o PIB é a soma de bens e serviços finais produzidos por um determinado país em um período de tempo. Em geral, um trimestre. No Brasil, cabe ao Instituto Brasileiro de Geografia e Estatística (IBGE) a coleta e divulgação dos dados do PIB.

Para ilustrar como é possível coletar os dados do PIB com o R, vamos usar aqui o pacote sidrar, que coleta dados diretamente do SIDRA/IBGE. O código a seguir carrega alguns pacotes que usaremos.


library(tidyverse)
library(sidrar)
library(zoo)
library(tstools)
library(scales)

Na sequência, nós coletamos os dois números-índices do PIB e criamos três métricas de crescimento: a variação marginal, a variação interanual e a variação acumulada em 4 trimestres. Com isso, poderemos ter uma dimensão da recuperação pós-pandemia.


## Coletar Números Indices do PIB
### Número Indice com ajuste sazonal

pib_sa = get_sidra(api='/t/1621/n1/all/v/all/p/all/c11255/90707/d/v584%202') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
rename(pib_sa = Valor) %>%
mutate(var_marginal = (pib_sa/lag(pib_sa,1)-1)*100) %>%
select(date, pib_sa, var_marginal) %>%
as_tibble()

### Número Índice sem ajuste
pib = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
rename(pib = Valor) %>%
mutate(var_interanual = (pib/lag(pib,4)-1)*100) %>%
mutate(var_anual = acum_i(pib, 4)) %>%
select(date, pib, var_interanual, var_anual) %>%
as_tibble()

### Juntar os dados
df_pib = inner_join(pib_sa, pib, by='date') %>%
drop_na()

Um gráfico do número-índice do PIB e das principais métricas de crescimento que criamos é colocado abaixo.

Pelos gráficos, observa-se um início de recuperação em V da economia brasileira no pós-pandemia. Para a continuidade da recuperação, contudo, ainda restam diversas incertezas no horizonte, como a solvência fiscal e o fim do auxílio emergencial.

____________________

(*) Conheça o Clube AM aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.