Construindo o gap entre indústria e comércio com o R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A produção industrial e o comércio varejista costumam estar correlacionados ao longo do tempo. Isto é, à medida que as pessoas compram mais, a indústria produz mais, em um círculo virtuoso que faz crescer a economia doméstica. Há períodos, contudo, que esse comportamento correlacionado pode apresentar um certo distanciamento ou gap devido a fatores específicos que afetam uma ou outra variável. Como poderíamos verificar esse gap em termos empíricos? É o que faremos nesse post  - aprenda a lidar com dados reais como esse em nossos Cursos Aplicados de R.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2019/02/loteextra2.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Antes de tudo, precisamos pegar os números índices da produção industrial e do comércio varejista. Podemos usar o pacote sidrar para pegar esses dados diretamente do IBGE. O código abaixo implementa.


library(sidrar)
industria = get_sidra(api='/t/3653/n1/all/v/3135/p/all/c544/129314/d/v3135%201')$Valor
industria = ts(industria, start=c(2002,01), freq=12)
comercio = get_sidra(api='/t/3417/n1/all/v/1186/p/all/c11046/40311/d/v1186%201')$Valor
comercio = ts(comercio, start=c(2003,01), freq=12)

Observe que o código pega apenas o número-índice e o transforma em série temporal. Uma vez feito isso, precisamos obter agora a taxa de variação acumulada em 12 meses, de modo a poder comparar as duas séries ao longo do tempo. O código abaixo implementa.


comercio12 = (((comercio+lag(comercio,-1)+lag(comercio,-2)+lag(comercio,-3)+
lag(comercio,-4)+lag(comercio,-5)+lag(comercio,-6)+
lag(comercio,-7)+lag(comercio,-8)+lag(comercio,-9)+
lag(comercio,-10)+lag(comercio,-11))/12)/
((lag(comercio,-12)+lag(comercio,-13)+lag(comercio,-14)+
lag(comercio,-15)+lag(comercio,-16)+lag(comercio,-17)+
lag(comercio,-18)+lag(comercio,-19)+lag(comercio,-20)+
lag(comercio,-21)+lag(comercio,-22)+lag(comercio,-23))/12)
-1)*100
industria12 = (((industria+lag(industria,-1)+lag(industria,-2)+lag(industria,-3)+
lag(industria,-4)+lag(industria,-5)+lag(industria,-6)+
lag(industria,-7)+lag(industria,-8)+lag(industria,-9)+
lag(industria,-10)+lag(industria,-11))/12)/
((lag(industria,-12)+lag(industria,-13)+lag(industria,-14)+
lag(industria,-15)+lag(industria,-16)+lag(industria,-17)+
lag(industria,-18)+lag(industria,-19)+lag(industria,-20)+
lag(industria,-21)+lag(industria,-22)+lag(industria,-23))/12)
-1)*100

Feito isso, basta gerarmos um gráfico como o abaixo, que mostra uma janela começando em 2014...

_______________________________________________________________

Conheça nossos Cursos Aplicados de R e aprenda a coletar, tratar, analisar e apresentar dados reais com o R!

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

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.