Gráficos interativos no R: relacionando a incerteza econômica ao PIB

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_3"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" use_border_color="off" border_color="#ffffff" border_style="solid"]

Ontem divulguei aqui o índice de incerteza criado pelo pessoal do IBRE/FGV. Hoje, entre uma cerveja e outra nesse calor do Rio de Janeiro, resolvi brincar um pouco com o índice, relacionando o mesmo a outras variáveis. A ideia é criar exercícios com essa série para o Clube do Código. Uma das brincadeiras foi usar o pacote plotly, de modo que seja possível criar gráficos interativos, como esse daí ao lado, que relaciona o índice de incerteza ao crescimento do PIB. Passe o cursor sobre o gráfico para visualizar.

As séries utilizadas foram o crescimento acumulado em 12 meses do PIB mensal também criado pelo pessoal do IBRE/FGV (já tô merecendo uma graninha pela divulgação, hein...) e o índice de incerteza sublinhado acima. De posse dessas séries (disponíveis aqui), você pode começar a brincadeira com o código abaixo.

 

[/et_pb_text][/et_pb_column][et_pb_column type="2_3"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" use_border_color="off" border_color="#ffffff" border_style="solid"]

#########################
### Incerteza vs. PIB ###

## Carregar pacotes
library(ggplot2)
library(plotly)

## Importar dados
data = read.csv2('data.csv', header=T, sep=';', dec=',',
 colClasses = c('POSIXct', rep('numeric', 2)))

### Gráfico de Correlação 

ggplot(data, aes(x=incerteza, y=pib))+
 geom_point(shape=1, colour='darkblue', size=2)+
 geom_smooth(method=lm)+
 xlab('Índice de Incerteza Econômica')+
 ylab('Crescimento do PIB')+
 labs(title='Incerteza econômica vs. Crescimento do PIB')+
 theme(plot.title = element_text(hjust = 0.5, face='bold',
 size=15))

### Jogando para o plotly
g = ggplotly()
plotly_POST(g, filename = 'incerteza', sharing = 'public')

Uma vez feito isso, você terá seu gráfico do ggplot2 transformado em um gráfico interativo a partir da função ggplotly. Uma outra opção é criar o gráfico diretamente com a função plot_ly. Além disso, claro, você deverá criar uma conta na plataforma https://plot.ly/ e setar suas credenciais antes de começar os trabalhos. Um tutorial básico está disponível aqui.

Por enquanto, é isso. Vamos ver o que sai dessa brincadeira... 🙂

[/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

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

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!

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.