Exercícios propostos

Utilizando o pacote sidrar, você deve pegar os números-índices da produção industrial geral, com e sem ajuste sazonal.

library(tidyverse)
library(sidrar)
library(lubridate)

# Série sem ajuste sazonal
pim = get_sidra(api='/t/3653/n1/all/v/3135/p/all/c544/129314/d/v3135%201')

# Série com ajuste sazonal

pim_sa = get_sidra(api='/t/3653/n1/all/v/3134/p/all/c544/129314/d/v3134%201')

Calcule a variação marginal da produção industrial.

A variação na margem deve ser calculada com a série com ajuste sazonal.

pim_sa = 
  pim_sa %>%
  mutate(date = parse_date(`Mês (Código)`, format='%Y%m')) %>%
  select(date, Valor) %>%
  mutate(var_margem = (Valor/lag(Valor,1)-1)*100)
tail(pim_sa)

Calcule a variação interanual da produção industrial.

A variação interanual deve ser feita com a série sem ajuste sazonal.

pim = 
  pim %>%
  mutate(date = parse_date(`Mês (Código)`, format='%Y%m')) %>%
  select(date, Valor) %>%
  mutate(var_interanual = (Valor/lag(Valor,12)-1)*100)
tail(pim)

Calcule a variação acumulada em 12 meses da produção industrial.

A variação acumulada em 12 meses também é feita com a série sem ajuste sazonal.

library(tstools)

### Problemas na instalação do pacote tstools, criei a função diretamente do algoritmo do github.
acum_i <- function(data, n){

    data_ma_n <- RcppRoll::roll_meanr(data, n)

    data_lag_n <- dplyr::lag(data_ma_n, n)

    data_acum_n = (((data_ma_n/data_lag_n)-1)*100)

    return(data_acum_n)

  }

pim = 
 pim %>%
 mutate(var_anual = acum_i(Valor,12))
  tail(pim)

Gere gráficos dos números índices da produção industrial e de suas métricas de crescimento. Qual a diferença entre elas?

p1 <- ggplot(data = pim, aes(x = date, y = Valor))+
    geom_line(color = sample(1:8,1))+ggtitle("Valor", subtitle = "Número Índice")
p2 <- ggplot(data = pim, aes(x = date, y = var_interanual))+
    geom_line(color = sample(1:8,1))+ggtitle("Variação Interanual", subtitle = "Mês.t/Mês.t-12")
p3 <- ggplot(data = pim, aes(x = date, y = var_anual))+
    geom_line(color = sample(1:8,1))+ggtitle("Variação anual", subtitle = "12 meses.t/12 meses.t-1")

p4 <- ggplot(data = pim_sa, aes(x = date, y = var_margem))+
    geom_line(color = sample(1:4,1))+ggtitle("Variação na Margem", subtitle = "Mês.t/Mês.t-1")

library(ggpubr)
fig1 <- ggarrange(p1,p2,p3,p4)

annotate_figure(fig1,
                top = text_grob("Métricas de Produção Industrial", color = "black", face = "bold", size = 14),
                bottom = text_grob("Fonte: Autor, com dados do IBGE", color = "blue",
                                   hjust = 0.5, x = 0.5, face = "italic", size = 10))

Métricas de Produção Industrial.

Existem diferenças consideráveis entre cada uma das formas de se apresentar o desempenho de crescimento industrial. O primeiro gráfico representa o número índice do crescimento mensal. claramente ele apresenta uma sazonalidade anual, com crescimento na primeira parte do ano e redução de seu nível na segunda metade do ano.

A variação interanual é a razão entre o número índice no mês t em relação ao número índice do mesmo mês no ano anterior (mês t-1). Neste gráfica a sazonalidade anual é eliminada, porém o gráfico se apesenta de forma errática.

A variação anual é a média do crescimento em 12 meses, no mês t em relação à média de crescmento em 12 meses no mês anterior (t-1). O caráter cíclico é o mesmo do que o do gráfico de variação interanual, porém a variação anual é mais suave, pois se trata de uma média móvel de 12 meses, o que suaviza a série.

Por fim a variação na margem é a variação mensal do número índice da indústria. Tanto o ciclo quanto a sazonalida são eliminados, restando apenas o comportamento errático da série.

Nos três últimos gráficos, os efeitos da crise do subprim de 2008/2009 e da crise atual do COVID-19 são facilmente identificáveis.

Curso de Análise de Conjuntura usando o R

Lista de Exercícios 01

Lucca Simeoni Pavan

Exercícios propostos