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

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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.