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

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Como criar janelas móveis de séries temporais usando o Python

Como incorporar choques em cenários de previsão?

Como preparar os dados para um modelo preditivo?

Transfer Learning para Previsão de Séries Temporais com o Python

Como usar o Python para tratar e manipular dados financeiros

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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!