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

Como construir um Vetor Autoregressivo Estrutural (SVAR) no Python?

Previsão com Vetores Autoregressivos no Python

Previsão do Desemprego: Redes Neurais vs. Previsões do Focus

Incorporando IA na previsão do PIB

Previsão da Taxa de Desocupação Brasileira com Python

Como Prever Séries Econômicas no Python?

Outros artigos relacionados

Como construir um Vetor Autoregressivo Estrutural (SVAR) no Python?

Apresentamos neste exercício como é a aplicação de um Vetor AutoRegressivo Estrutural (SVAR) no Python a partir da biblioteca statsmodels.

Previsão com Vetores Autoregressivos no Python

Modelos Vetoriais AutoRegressivos (VAR) são amplamente utilizados na análise de séries temporais macroeconômicas. Eles permitem modelar a dinâmica conjunta de várias variáveis, capturando como choques em uma afetam as demais ao longo do tempo. Neste exercício, mostramos como aplicar um modelo VAR a um conjunto de dados macroeconômicos brasileiros para gerar previsões.

Previsão do Desemprego: Redes Neurais vs. Previsões do Focus

Não é de hoje que técnicas de machine learning vêm sendo usadas para explorar características não lineares de séries temporais (econômicas), especialmente para finalidade de previsão. Como exemplo, apresentamos uma abordagem híbrida do modelo NNAR e comparamos suas previsões com as de mercado, encontrando resultados em linha com a literatura recente.

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!