Vendo o crescimento do PIB dos EUA em 2020Q1 com o R

Hoje foi divulgado o crescimento do PIB dos Estados Unidos no primeiro trimestre. Houve uma contração anualizada de 4,8%, na comparação com o último trimestre do ano passado. Como ensinamos na parte de Economia Internacional do nosso Curso de Análise de Conjuntura usando o R, é possível pegar os dados do PIB dos Estados Unidos diretamente da base de dados FRED Data. O código a seguir operacionaliza.


library(tidyverse)
library(quantmod)
library(timetk)
getSymbols('A191RL1Q225SBEA', src='FRED')
gdp_change = tk_tbl(A191RL1Q225SBEA,
preserve_index = TRUE, rename_index = 'date')

Observe que eu já estou pegando a variação do PIB em termos anualizados a partir da função getSymbols do pacote quantmod. Com o tibble devidamente organizado com a função tk_tbl do pacote timetk, nós podemos gerar o gráfico abaixo.


filter(gdp_change, date > '1987-01-01') %>%
ggplot(aes(x=date))+
geom_line(aes(y=A191RL1Q225SBEA), size=.8, colour='darkblue')+
geom_hline(yintercept=0, colour='red', linetype='dashed')+
scale_x_date(breaks = date_breaks("1 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Percent Change from Preceding Period',
title='US Real Gross Domestic Product',
caption = 'Fonte: analisemacro.com.br com dados do FRED Data')

____________________

(*) Isso e muito mais você aprende em nosso Curso de Análise de Conjuntura usando o R.


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.