ECONOMETRIA III - 2024.1
Lista 1
Vitória Alves Pereira
Santos - Universidade Federal Fluminense
date: “14/04/2024”
Caso nao consiga usar o RStudio no computador, você pode acessar RStudio na nuvem em: [https://posit.cloud/]
Pode se logar usando a sua conta Google do @id.uff.br
Carregue as bibliotecas do “tidyverse”
Crie uma pasta chamada “econometriaIII”, dentro dela crie uma subpasta chamada “lista1” (geralmente ajuda se criar ela diretamente na unidade do disco que usa para armazenar dados)
Determine a pasta da lista1 como o diretório de trabalho
setwd("C:/Users/vitor/OneDrive/Documentos/ECONOMETRIAIII/ListaI/Dados")- Explorando dados no R Vamos a trabalhar com o dataframe “quakes”, que já vem incluído no R É uma base de dados sobre terremotos no Fiji desde a década de 1960 Aqui tem uma breve descrição: [ttps://data.worldbank.org/]
- Carregue o dataframe “quakes”
Quakes <- data.frame(quakes)- Quantas linhas e quantas colunas ele têm?
Num_linhas <- nrow(quakes)
Num_Col <- ncol(quakes)
print(Num_linhas)## [1] 1000print(Num_Col)## [1] 5R: 1000 linhas e 5 colunas
- Quais são as variáveis disponíveis?
colnames(quakes)## [1] "lat" "long" "depth" "mag" "stations"- Que tipo de variáveis elas são?
R: São variáveis quantitativas (numéricas) contínuas.
- Onde aconteceu o terremoto de maior magnitude?
Max_mag <- which.max(quakes$mag) #índice do terremoto de maior magnitude
R: valores de latitude e longituude correspondentes ao índice máximo:
longitude_max <- quakes$lat[Max_mag]
print(longitude_max)## [1] -15.56latitude_max <- quakes$long[Max_mag]
print(latitude_max)## [1] 167.62O terremoto de maior magnitude ocorreu nas coordenadas: latitude: 167,62 e longitude -15,56
- Qual é a magnitude média dos terremotos? E a profundidade média?
Magnitude_media <- mean(quakes$mag)
print(Magnitude_media)## [1] 4.6204Profundidade_media <- mean(quakes$depth)
print(Profundidade_media)## [1] 311.371- Quantos terremotos de pelo menos 6 graus de magnitude houve?
Mag <- quakes$mag
Mag_maiorigual6 <- subset(Mag, Mag >= 6)
print(Mag_maiorigual6)## [1] 6.1 6.0 6.4 6.0 6.0Ocorrencias <- length(Mag_maiorigual6)
print(Ocorrencias)## [1] 5R: foram registrados 5 terremotos de pelo menos 6 graus de magnitude
- Importando e explorando dados no R Vamos usar dados do Banco Mundial: [https://data.worldbank.org/]
Eles estão no drive, na pasta da lista1: [https://drive.google.com/drive/folders/1UDbJabjwA8rZMEDM-T855Cd1RWzK7Qcz]
Baixe as duas bases em uma subpasta chamada “dados” dentro da pasta da “lista1”
Remova todos os objetos que tiver no ambiente de trabalho Abra as duas bases, salvando o conteudo nos objetos: saneamento e mortinf Repare que tem que “omitir” 3 linhas
- Veja as primeiras 10 linhas de cada base. Elas estão em formato “long” ou “wide”?
setwd("C:/Users/vitor/OneDrive/Documentos/ECONOMETRIAIII/ListaI/Dados")
Saneamento <- read.csv("C:/Users/vitor/OneDrive/Documentos/ECONOMETRIAIII/ListaI/Dados/saneamento.csv",skip = 3)
Mortinf <- read.csv("C:/Users/vitor/OneDrive/Documentos/ECONOMETRIAIII/ListaI/Dados/mortinf.csv",skip = 3)
head(Saneamento, n = 10)## Country.Name Country.Code
## 1 Aruba ABW
## 2 Africa Eastern and Southern AFE
## 3 Afghanistan AFG
## 4 Africa Western and Central AFW
## 5 Angola AGO
## 6 Albania ALB
## 7 Andorra AND
## 8 Arab World ARB
## 9 United Arab Emirates ARE
## 10 Argentina ARG
## Indicator.Name
## 1 People using safely managed sanitation services (% of population)
## 2 People using safely managed sanitation services (% of population)
## 3 People using safely managed sanitation services (% of population)
## 4 People using safely managed sanitation services (% of population)
## 5 People using safely managed sanitation services (% of population)
## 6 People using safely managed sanitation services (% of population)
## 7 People using safely managed sanitation services (% of population)
## 8 People using safely managed sanitation services (% of population)
## 9 People using safely managed sanitation services (% of population)
## 10 People using safely managed sanitation services (% of population)
## Indicator.Code X1960 X1961 X1962 X1963 X1964 X1965 X1966 X1967 X1968 X1969
## 1 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 2 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 3 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 4 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 5 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 6 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 7 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 8 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 9 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## 10 SH.STA.SMSS.ZS NA NA NA NA NA NA NA NA NA NA
## X1970 X1971 X1972 X1973 X1974 X1975 X1976 X1977 X1978 X1979 X1980 X1981
## 1 NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA NA NA NA
## 10 NA NA NA NA NA NA NA NA NA NA NA NA
## X1982 X1983 X1984 X1985 X1986 X1987 X1988 X1989 X1990 X1991 X1992 X1993
## 1 NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA NA NA NA
## 10 NA NA NA NA NA NA NA NA NA NA NA NA
## X1994 X1995 X1996 X1997 X1998 X1999 X2000 X2001 X2002 X2003
## 1 NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA 18.81977 19.03174 19.25247 19.47960
## 3 NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA 14.16546 14.22245 14.56113 14.91042
## 5 NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA 26.56686 27.18407 27.76950 28.33333
## 7 NA NA NA NA NA NA 29.31022 33.90393 38.49764 43.09135
## 8 NA NA NA NA NA NA 49.85727 50.09523 50.37966 50.65178
## 9 NA NA NA NA NA NA 98.44043 98.44017 98.43990 98.43964
## 10 NA NA NA NA NA NA 44.71335 44.80421 44.89531 44.98667
## X2004 X2005 X2006 X2007 X2008 X2009 X2010 X2011
## 1 NA NA NA NA NA NA NA NA
## 2 19.70318 20.00326 20.30438 20.57713 20.89199 21.18344 21.46964 21.79378
## 3 NA NA NA NA NA NA NA NA
## 4 15.20772 15.57484 15.95163 16.33696 16.72909 17.12903 17.50587 17.88973
## 5 NA NA NA NA NA NA NA NA
## 6 28.87540 29.69357 30.52526 31.33349 32.11821 32.88006 33.61828 34.33349
## 7 47.68506 52.27876 56.87248 61.46618 66.05989 70.65360 75.24731 79.84102
## 8 51.13286 51.60609 52.26399 52.98160 53.67220 54.30333 54.84235 55.36447
## 9 98.43939 98.43914 98.43889 98.43865 98.43842 98.43819 98.43797 98.44030
## 10 45.07831 45.17021 45.26239 45.35483 45.44754 45.54049 45.63370 45.72690
## X2012 X2013 X2014 X2015 X2016 X2017 X2018 X2019
## 1 NA NA NA NA NA NA NA NA
## 2 22.10249 22.40866 22.72001 23.05100 23.31259 23.53620 23.78211 24.01456
## 3 NA NA NA NA NA NA NA NA
## 4 18.28016 18.67508 19.07288 19.47401 19.88103 20.29496 20.71461 21.13922
## 5 NA NA NA NA NA NA NA NA
## 6 35.02541 37.18726 39.37208 41.58021 43.81117 46.06486 48.34123 50.48372
## 7 84.43472 89.02844 93.62214 98.21585 100.00000 100.00000 100.00000 100.00000
## 8 55.81942 56.27733 56.78284 57.37665 58.03332 58.68130 59.34786 59.99346
## 9 98.44264 98.44499 98.44734 98.44970 98.45207 98.45443 98.45682 98.45920
## 10 45.82018 45.91216 46.00447 46.09708 46.18997 NA NA NA
## X2020 X2021 X2022 X
## 1 NA NA NA NA
## 2 24.27036 24.46881 24.61297 NA
## 3 NA NA NA NA
## 4 21.57030 22.04340 22.51799 NA
## 5 NA NA NA NA
## 6 52.58095 54.45248 56.34649 NA
## 7 100.00000 100.00000 100.00000 NA
## 8 60.55096 60.64081 60.73183 NA
## 9 98.46158 98.46327 98.46312 NA
## 10 NA NA NA NAhead(Mortinf, n = 10)## Country.Name Country.Code
## 1 Aruba ABW
## 2 Africa Eastern and Southern AFE
## 3 Afghanistan AFG
## 4 Africa Western and Central AFW
## 5 Angola AGO
## 6 Albania ALB
## 7 Andorra AND
## 8 Arab World ARB
## 9 United Arab Emirates ARE
## 10 Argentina ARG
## Indicator.Name Indicator.Code X1960 X1961
## 1 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 2 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 3 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 4 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 5 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 6 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 7 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 8 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## 9 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN 135.5 128.9
## 10 Mortality rate, infant (per 1,000 live births) SP.DYN.IMRT.IN NA NA
## X1962 X1963 X1964 X1965 X1966 X1967 X1968 X1969 X1970 X1971 X1972 X1973
## 1 NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA 228.9 225.1 221.2 217.4 213.5 209.6 205.7 202.0 198.2 194.3 190.5
## 4 NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA
## 9 122.5 116.2 109.9 103.3 96.6 89.8 83.1 76.7 70.6 64.9 59.5 54.6
## 10 NA NA NA NA NA NA NA 59.5 59.0 58.3 57.5 56.4
## X1974 X1975 X1976 X1977 X1978 X1979 X1980 X1981 X1982 X1983 X1984 X1985
## 1 NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA
## 3 186.7 182.9 179.0 175.0 171.0 166.9 162.6 158.3 153.9 149.6 145.5 141.4
## 4 NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA 141.2 139.5 138.0 136.4 135.0 133.9
## 6 NA NA NA NA 76.7 71.2 66.0 61.2 57.0 53.1 49.5 46.3
## 7 NA NA NA NA NA NA NA NA NA NA NA 10.2
## 8 NA NA NA NA NA NA NA NA NA NA NA NA
## 9 50.3 46.0 42.1 38.4 35.0 31.9 29.0 26.5 24.3 22.4 20.8 19.3
## 10 54.9 52.8 50.2 47.0 43.6 40.1 37.0 34.2 31.8 29.8 28.2 27.0
## X1986 X1987 X1988 X1989 X1990 X1991 X1992 X1993 X1994
## 1 NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA 102.39260 101.31075 100.29815 99.23758 99.42049
## 3 137.3 133.1 129.0 124.9 120.90000 117.10000 113.50000 110.20000 106.90000
## 4 NA NA NA NA 113.56031 112.69294 111.97247 111.22510 110.34061
## 5 133.2 132.8 132.3 132.2 132.00000 132.00000 132.10000 132.10000 131.90000
## 6 43.5 41.0 38.8 36.9 35.40000 34.00000 32.80000 31.70000 30.60000
## 7 10.0 9.8 9.6 9.3 9.10000 8.90000 8.70000 8.40000 8.10000
## 8 NA NA NA NA 58.90293 57.31736 55.52981 53.91970 52.44576
## 9 18.1 16.9 15.9 15.0 14.20000 13.50000 12.80000 12.30000 11.70000
## 10 26.1 25.7 25.6 25.6 25.40000 25.10000 24.40000 23.50000 22.60000
## X1995 X1996 X1997 X1998 X1999 X2000 X2001
## 1 NA NA NA NA NA NA NA
## 2 96.52798 94.98193 93.28858 91.02152 88.51140 85.83173 82.80681
## 3 103.90000 101.00000 98.30000 95.60000 93.10000 90.60000 88.00000
## 4 109.15389 107.74101 105.93042 103.88714 101.56902 99.14004 96.53687
## 5 131.40000 130.60000 129.10000 127.10000 124.80000 121.90000 118.50000
## 6 29.60000 28.60000 27.50000 26.40000 25.20000 24.10000 22.90000
## 7 7.90000 7.60000 7.30000 7.00000 6.80000 6.50000 6.30000
## 8 51.03841 49.54712 48.11056 46.67596 45.34063 43.91885 42.51322
## 9 11.30000 10.90000 10.50000 10.20000 9.90000 9.60000 9.30000
## 10 21.60000 20.70000 19.80000 19.00000 18.20000 17.60000 17.00000
## X2002 X2003 X2004 X2005 X2006 X2007 X2008 X2009
## 1 NA NA NA NA NA NA NA NA
## 2 79.70722 76.54768 73.41652 70.44796 67.74420 65.06836 62.49701 60.19387
## 3 85.40000 82.80000 80.10000 77.40000 74.70000 72.00000 69.30000 66.80000
## 4 93.93910 91.27732 88.62624 85.97243 83.56201 81.25134 79.16779 77.26925
## 5 114.70000 110.50000 105.90000 101.00000 95.90000 90.60000 85.40000 80.40000
## 6 21.70000 20.40000 19.10000 17.80000 16.50000 15.30000 14.10000 12.90000
## 7 6.00000 5.80000 5.60000 5.40000 5.10000 4.90000 4.60000 4.40000
## 8 41.22280 39.97091 38.78156 37.61665 36.51547 35.20199 34.06280 32.99481
## 9 9.10000 8.90000 8.60000 8.40000 8.20000 8.10000 7.90000 7.60000
## 10 16.40000 15.80000 15.30000 14.80000 14.40000 14.10000 13.70000 13.40000
## X2010 X2011 X2012 X2013 X2014 X2015 X2016 X2017
## 1 NA NA NA NA NA NA NA NA
## 2 58.07454 56.03620 54.12332 52.42163 50.85830 49.41616 48.04776 46.63863
## 3 64.20000 61.80000 59.40000 57.20000 55.00000 53.00000 51.10000 49.40000
## 4 75.46503 73.97093 72.48216 71.15285 69.98855 68.76097 67.57198 66.37397
## 5 75.70000 71.40000 67.20000 63.50000 60.50000 57.90000 55.70000 53.80000
## 6 11.90000 10.90000 10.00000 9.30000 8.80000 8.50000 8.40000 8.30000
## 7 4.20000 4.00000 3.90000 3.70000 3.50000 3.30000 3.20000 3.00000
## 8 31.95150 31.09782 30.64514 30.08870 29.47473 28.89717 28.50158 27.77948
## 9 7.40000 7.20000 7.00000 6.80000 6.70000 6.50000 6.30000 6.20000
## 10 12.90000 12.40000 11.90000 11.40000 10.90000 10.30000 9.80000 9.10000
## X2018 X2019 X2020 X2021 X2022 X
## 1 NA NA NA NA NA NA
## 2 45.26828 44.08135 43.02778 42.00421 NA NA
## 3 47.80000 46.30000 44.80000 43.40000 NA NA
## 4 64.94525 63.55601 62.16518 60.74963 NA NA
## 5 52.00000 50.40000 48.70000 47.20000 NA NA
## 6 8.30000 8.40000 8.40000 8.40000 NA NA
## 7 2.90000 2.80000 2.70000 2.60000 NA NA
## 8 27.36847 26.89876 26.31615 25.97937 NA NA
## 9 6.00000 5.80000 5.60000 5.40000 NA NA
## 10 8.40000 7.60000 6.80000 6.10000 NA NAR: As variáveis estão em formato wide (ou amplo), como podemos ver, os anos aparecem nas colunas, ampliando a visualização dos dados na horizontal.
- Vai ser melhor ter os dados em formato “long” para ter o ano como uma variável numérica. Tente colocá-los nesse formato
library(tidyr)
Saneamento_pivot <- pivot_longer(Saneamento, cols = starts_with("X"), names_to = "Ano", values_to = "Valor")
print(Saneamento_pivot)## # A tibble: 17,024 × 6
## Country.Name Country.Code Indicator.Name Indicator.Code Ano Valor
## <chr> <chr> <chr> <chr> <chr> <dbl>
## 1 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1960 NA
## 2 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1961 NA
## 3 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1962 NA
## 4 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1963 NA
## 5 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1964 NA
## 6 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1965 NA
## 7 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1966 NA
## 8 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1967 NA
## 9 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1968 NA
## 10 Aruba ABW People using safely man… SH.STA.SMSS.ZS X1969 NA
## # ℹ 17,014 more rowsMortinf_pivot <- pivot_longer(Mortinf, cols = starts_with("X"), names_to = "Ano", values_to = "Valor")- Supondo que seus dados estão em um dataframe chamado ‘Saneamento’ Produza um gráfico de linha mostrando a evolução da média do saneamento básico entre 2000 e 2020.
library(dplyr)
library(lubridate)
library(ggplot2)
invisible({
Saneamento$Ano[!is.na(Saneamento$Ano)]
na.omit(Saneamento$Valor)
Saneamento <- as.data.frame(Saneamento_pivot)
Saneamento$Ano <- gsub("^X","",Saneamento$Ano)
as.Date(paste0(Saneamento$Ano,"/01/01", format = "%Y%/%m%/%d%"))
})
saneamento_F <- Saneamento %>% filter(Saneamento$Ano >= 2000 & Saneamento$Ano <= 2020) %>% na.omit (SaneamentoF)
saneamento_F$Ano <- as.Date(paste0(saneamento_F$Ano,"/01/01", format = "%Y%/%m%/%d%"))
Media_ano <- saneamento_F %>% group_by(Ano) %>% summarise(Media = mean(Valor, na.rm = TRUE))
suppressMessages({
Sys.setlocale("LC_ALL", "Portuguese")
G1 <- ggplot(Media_ano, aes(x = Ano, y = Media)) +
geom_line(color = "blue", size = 1) +
labs(title = "Evolução da Média do Saneamento Básico") +
theme(axis.title = element_blank())
print(G1)
})
- Produza um gráfico de linha mostrando a evolução da mortalidade infantil entre 2000 e 2020.
invisible({
Mortinf$Ano[!is.na(Saneamento$Ano)]
na.omit(Mortinf$Valor)
Mortinf <- as.data.frame(Mortinf_pivot)
Mortinf$Ano <- gsub("^X","",Mortinf$Ano)
as.Date(paste0(Mortinf$Ano,"/01/01", format = "%Y%/%m%/%d%"))
mortinf_F <- Mortinf %>% filter(Mortinf$Ano >= 2000 & Mortinf$Ano <= 2020) %>% na.omit (mortinf_F)
Datas <- as.Date(paste0(mortinf_F$Ano,"/01/01"))
mortinf_F$Ano <- Datas
Media2 <- mortinf_F %>% group_by(Ano) %>% summarise(Media = mean(Valor, na.rm = TRUE))
G2 <- ggplot(Media2, aes(x = Ano, y = Media)) + geom_line(color = "red", size = 1) + labs(title = "Evolução Média da Mortalidade Infantil") + theme(axis.title = element_blank())
print(G2)
})
- Produza um histograma mostrando a distribuição da cobertura de saneamento básico em 2019.
saneamento_2019 <- Saneamento %>% filter(Saneamento$Ano == 2019) %>% na.omit(Mortinf_2019)
ggplot(saneamento_2019, aes(x= Valor)) + geom_histogram(binwidth = 2, fill = "blue", color = "black", alpha = 0.5) + labs(title = paste("Distribuição do Saneamento em 2019"), x = "Valor", y = "Frequência") 
Escolha uma das figuras e faça edições para deixá-la mais arrumada (por exemplo, nome dos eixos, escala dos eixos começando em 0, etc.)