Dados da Economia Internacional em R e Python

Na análise de conjuntura econômica, o cenário econômico internacional representa um importante papel. O foco é acompanhar indicadores econômicos das principais economias internacionais, de forma a tirar conclusões sobre os seus efeitos no Brasil e na economia mundial. No post de hoje iremos mostrar como é possível coletar esses dados utilizando o R e o Python.

Para coletar os dados da economia internacional é possível utilizar o site da OECD, que permite capturar diversas estatísticas sobre os países membros da organização, bem como os não membros que possuem representatividade no mundo.

Por meio da seleção da estatística e dos países, é possível obter o código SDMX, planilhas e a API para acesso do dados. No R e no Python, isso é facilitado por meio do pacote {OECD} e pelo pandasdmx, respectivamente. Abaixo, vamos demonstrar os resultados de ambas as linguagens.

O código completo criado no R e no Python, que possibilita obter os dados da economia internacional, o tratamento e os gráficos abaixo, você pode obter através do Clube AM, o repositório especial da Análise Macro.

Coletando dados da Economia Internacional com o R

Com o R é possível coletar os dados utilizando o pacote {OECD}, definindo apenas o dataset no próprio site da stats OECD.

library(tidyverse)
library(OECD) # CRAN 0.2.4
library(lubridate)

## Parâmetros e códigos para coleta de dados
parametros <- list(
# Contas Nacionais Trimestrais (código do dataset na OECD)
dataset_qna = "QNA",
# Main Economic Indicators - dataset com principais indicadores (código do dataset na OECD)
dataset_mei = "MEI",
# PIB - Ótica da despesa (lista de países e variáveis para filtro no dataset QNA)
filter_gdp = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.B1_GE.GYSA+GPSA.Q",
# Taxa de Inflação (lista de países e variáveis para filtro no dataset MEI)
filter_inflation = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.CPALTT01.GPSA+GY.M"
)


## Coleta dos dados

# PIB - Ótica da despesa
str_gdp <- OECD::get_data_structure(parametros$dataset_qna)

raw_gdp_oecd <- OECD::get_dataset(
dataset = parametros$dataset_qna,
filter = list(parametros$filter_gdp),
pre_formatted = TRUE
)

# Taxa de Inflação
str_inflation <- OECD::get_data_structure(parametros$dataset_mei)
raw_inflation_oecd <- OECD::get_dataset(
dataset = parametros$dataset_mei,
filter = list(parametros$filter_inflation),
pre_formatted = TRUE
)

Em seguida, utiliza-se a função get_data_structure do pacote para obter os dados, de forma a tratá-los e visualizar os resultados. Vemos abaixo o PIB dos países selecionados.

Dados do PIB

Dados da Inflação

Bem como também analisamos a inflação dos respectivos países.

Coletando dados da Economia Internacional com o Python

Para o Python, realiza-se o request da API da OECD por meio da biblioteca pandasdmx, permitindo que possamos importar os dados do dataset e dos países desejados.



# Importa as bibliotecas
import pandas as pd
import datetime as dt
!pip install pandasdmx
import pandasdmx as pdmx
import seaborn as sns
from matplotlib import pyplot as plt




# Conecta com a base da OECD stats através do pdmx
oecd = pdmx.Request("OECD")





# Realiza o Request baseado no API disponibilizado pela OECD Statistics
## PIB
data_gdp = oecd.data(
    resource_id = "QNA",
    key = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.B1_GE.GYSA+GPSA.Q",
    ).to_pandas()
# Transforma em data frame
gdp_raw = pd.DataFrame(data_gdp).reset_index()




# Realiza o Request baseado no API disponibilizado pela OECD Statistics
## Inflação
data_inflation = oecd.data(
    resource_id = "MEI",
    key = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.CPALTT01.GPSA+GY.M",
    ).to_pandas()
inflation_raw = pd.DataFrame(data_inflation).reset_index()

Com os dados importados, realiza-se o tratamento e a visualização dos mesmos.

Dados do PIB

Dados da Inflação

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

O que são Agentes de IA?

As diferentes formas de avaliar o erro de um modelo de previsão

Previsão do CPI usando text mining

Nowcasting do PIB usando a linguagem R

Previsão de demanda com o Prophet usando Python

Nowcasting do PIB: um modelo de fatores usando Python

Outros artigos relacionados

O que são Agentes de IA?

O que é um agente e como ele funciona? Como agentes tomam decisões usando racioncínio e planejamento? Neste artigo, nosso objetivo é investigar estas questões para construir um conhecimento fundamental sobre AI agents.

As diferentes formas de avaliar o erro de um modelo de previsão

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Previsão do CPI usando text mining

Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.

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!