Consolidando Métricas Fiscais

Uma das coisas que os alunos do Curso de Análise de Conjuntura usando o R irão aprender é trabalhar com dados. Hoje, trago um exemplo. Peguei algumas variáveis fiscais diretamente do Banco Central usando o R e criei uma tabela com as últimas três observações dessas séries. O leitor pode vê-la abaixo. Tudo fica automatizado, de modo que na próxima atualização dos dados, basta que o aluno modifique algumas poucas linhas de código e gere novamente a tabela.

Métricas da Situação Fiscal.
Fev/16 Mar/16 Abr/16
Nominal SPC 638572,01 579317,80 603712,88
Nominal GFBC 528095,17 468143,76 494181,58
Nominal GEM 100724,82 100958,08 98844,16
Juros SPC 513432,86 443295,76 464427,54
Juros GFBC 402501,69 332123,22 356237,70
Juros GEM 105373,01 105859,31 102744,80
Primário SPC 125139,15 136022,04 139285,34
Primário GFBC 125593,51 136020,57 137943,90
Primário GEM -4648,19 -4901,23 -3900,64
Nominal SPC % PIB 10,75 9,71 10,08
Nominal GFBC % PIB 8,89 7,85 8,25
Nominal GEM % PIB 1,70 1,69 1,65
Juros SPC % PIB 8,64 7,43 7,76
Juros GFBC % PIB 6,78 5,57 5,95
Juros GEM % PIB 1,77 1,78 1,72
Primário SPC % PIB 2,11 2,28 2,33
Primário GFBC % PIB 2,11 2,28 2,30
Primário GEM % PIB -0,08 -0,08 -0,07
Nominal DBGG 4017298,55 4005700,25 4039289,28
Nominal DLSP 2186771,34 2314842,91 2356611,04
Nominal DGFBC 1399516,92 1533881,44 1575573,76
Nominal DGEM 733383,49 726941,83 726632,83
DBGG % PIB 67,63 67,17 67,46
DLSP % PIB 36,81 38,82 39,36
DGFBC % PIB 23,56 25,72 26,31
DGEM % PIB 12,35 12,19 12,14

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.