Relatório AM #33 - Pesquisa Mensal do Comércio (PMC)

A Pesquisa Mensal do Comércio (PMC) é o principal indicador em frequência mensal para avaliar como se comportam o volume de vendas e de receita no varejo brasileiro. A pesquisa conduzida pelo IBGE conta com dados disponíveis no SIDRA e pode ser acessada via o pacote de R sidrar. No nosso Curso de Análise de Conjuntura usando o R, nós ensinamos os alunos a construir scripts que automatizam a coleta, tratamento e apresentação da pesquisa.

O início do script é carregando os pacotes necessários.


## Pacotes utilizados nessa apresentação
library(tidyverse)
library(lubridate)
library(tstools)
library(sidrar)
library(zoo)
library(scales)
library(gridExtra)
library(tsibble)
library(timetk)
library(knitr)

Uma vez que os pacotes são carregados, nós podemos coletar os dados diretamente via a API do SIDRA/IBGE. O código abaixo dá um exemplo para o varejo restrito.


## Coleta e tratamento dos dados do Comércio Restrito
names = c('date', 'receita', 'receita_sa', 'volume', 'volume_sa')
restrito = get_sidra(api='/t/3416/n1/all/v/all/p/all/c11046/40311,40312/d/v564%201,v565%201') %>%
mutate(date = parse_date(`Mês (Código)`, format = '%Y%m')) %>%
select(`Variável`, date, `Tipos de índice`, Valor) %>%
spread(`Variável`, Valor) %>%
pivot_wider(id_cols = date,
names_from = 'Tipos de índice',
values_from = c('Índice de receita nominal de vendas no comércio varejista',
'Índice de volume de vendas no comércio varejista')) %>%
`colnames<-`(names) %>%
as_tibble()

A seguir, colocamos um gráfico com a variação interanual.

Você confere o script completo no nosso Curso de Análise de Conjuntura usando o R. A apresentação da PMC também está disponível no Clube AM.

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.