Levando o PIB para o R com o pacote SidraR

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="19" use_border_color="off" border_color="#ffffff" border_style="solid"]

Recentemente, publiquei no Blog da Análise Macro um post que fazia referência ao pacote SidraR, que visa facilitar a vida de quem trabalha com os dados do SIDRA/IBGE. O pacote permite baixar dados do SIDRA diretamente para o R. Alguns alunos dos Cursos de R da Análise Macro e mesmo membros do nosso Clube do Código me enviaram dúvidas nas últimas semanas sobre como manipular os dados obtidos a partir do pacote. Isso porque, como mostra a figura abaixo, os dados obtidos não formam um data frame tradicional, com as colunas sendo variáveis e as linhas observações. Com efeito, é preciso fazer um tratamento dos dados obtidos. É o que fazemos na edição 38 do Clube do Código, uma vez que os dados do SIDRA/IBGE são bastante importantes para profissionais de diferentes áreas. Nesse post, mostramos alguns pontos do exercício.

Com o código abaixo, nós importamos os componentes do PIB pelo lado da oferta e pelo lado da demanda, para os índices encadeados e para os ajustados sazonalmente.


## Importação dos dados do PIB
tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90687,90691,90696,90707,93404,93405,93406,93407,93408/d/v583%202')
tabela_sa = get_sidra(api='/t/1621/n1/all/v/all/p/all/c11255/90687,90691,90696,90707,93404,93405,93406,93407,93408/d/v584%202')

Uma vez importados, os dados se parecerão com a figura acima. O código abaixo, então, faz a extração de cada uma das variáveis contidas no data frame, com base na coluna Setores e subsetores (Código), utilizando para isso um loop com a função for. Para que isso seja possível, claro, precisamos definir um vetor contendo os códigos das séries, além de precisarmos criar uma matriz que irá armazenar os dados extraídos. Ademais, criamos um vetor para nomear as séries obtidas.


series = c(90687,90691,90696,90707,93404,93405,93406,93407,93408)
names = c('Agro', 'Ind', 'Serv', 'PIB',
 'Consumo', 'Governo', 'FBCF',
 'Exportação', 'Importação')
pib = matrix(NA, ncol=length(series), 
 nrow=nrow(tabela)/length(series))
for(i in 1:length(series)){
 pib[,i] = tabela$Valor[tabela$
 `Setores e subsetores (Código)`
 ==series[i]] 
 pib = ts(pib, start=c(1996,01), freq=4)
 colnames(pib) = names
}

Ao rodar o código acima, teremos os dados organizados conforme a figura abaixo. Isto é, teremos as colunas representando os componentes do PIB (e uma delas, o próprio PIB) e as linhas representando as observações trimestrais - lembrando que também transformamos os nossos dados em séries temporais. Dessa forma, poderemos trabalhar com os nossos dados da forma que já estamos acostumados.

Os dados dos componentes do PIB e do próprio PIB em nível não dizem muita coisa para nós. Assim, é preciso criar algumas métricas de crescimento, isto é, a que taxa as nossas séries estão crescendo ou decrescendo. É o que fazemos no restante do exercício do Clube de modo a obter gráficos como os da figura abaixo.

E então, gostou do exercício? Você pode aprender mais fazendo um dos nossos Cursos Aplicados de R e se associando ao Clube do Código.

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/12/modelos.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/central-banking-training/modelos-do-banco-central/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid" /][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/datascience.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid" /][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_3"][et_pb_gallery admin_label="Galeria" gallery_ids="17132,17133,17134" fullwidth="on" show_title_and_caption="off" show_pagination="off" background_layout="light" auto="on" auto_speed="6000" hover_overlay_color="rgba(255,255,255,0.9)" caption_all_caps="off" use_border_color="off" border_color="#ffffff" border_style="solid" saved_tabs="all"] [/et_pb_gallery][et_pb_gallery admin_label="Galeria" gallery_ids="17136,17137,17138" fullwidth="on" show_title_and_caption="off" show_pagination="off" background_layout="light" auto="on" auto_speed="6000" hover_overlay_color="rgba(255,255,255,0.9)" caption_all_caps="off" use_border_color="off" border_color="#ffffff" border_style="solid" saved_tabs="all"] [/et_pb_gallery][/et_pb_column][et_pb_column type="2_3"][et_pb_team_member admin_label="Pessoa" saved_tabs="all" name="Vítor Wilher " position="Data Scientist" animation="left" background_layout="light" facebook_url="https://www.facebook.com/vitor.wilher.9" twitter_url="https://twitter.com/vitorwilherbr" linkedin_url="https://www.linkedin.com/in/v%C3%ADtor-wilher-78164024" use_border_color="off" border_color="#ffffff" border_style="solid"]

Vítor Wilher é Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, tendo se especializado na construção de modelos macroeconométricos, política monetária e análise da conjuntura macroeconômica doméstica e internacional. Tem, ademais, especialização em Data Science pela Johns Hopkins University. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. É o criador da Análise Macro, startup especializada em treinamento e consultoria em linguagens de programação voltadas para data analysis, sócio da MacroLab Consultoria, empresa especializada em cenários e previsões e fundador do hoje extinto Grupo de Estudos sobre Conjuntura Econômica (GECE-UFF). É também Visiting Professor da Universidade Veiga de Almeida, onde dá aulas nos cursos de MBA da instituição, Conselheiro do Instituto Millenium e um dos grandes entusiastas do uso do no ensino. Leia os posts de Vítor Wilher aquiCaso queira, mande um e-mail para ele: vitorwilher@analisemacro.com.br

[/et_pb_team_member][/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

FED Speeches: Quantificando a Incerteza da Política Monetária com IA e Python

Os discursos dos membros do FED podem dar indicativos relevantes sobre a condução da política monetária, como a percepção de incerteza na fala e na escolha das palavras. Sendo assim, monitorar e interpretar não é suficiente, é necessário quantificar a incerteza nos discursos. Neste exercício mostramos o caminho para construir um indicador de incerteza da política monetária, usando métodos inovadores de IA com o Python.

Medindo o Hiato do Produto do Brasil usando Python

Uma medida extremamente importante para a avaliação econômica de um país é o Hiato do Produto. Neste post, realizamos uma comparação das diferentes formas de estimação dessa variável não observável utilizando o Python como ferramenta de análise de dados.

Como analisar a contribuição para a Volatilidade de uma carteira de ações usando Python

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação 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.