Coleta

Para buscar os dados do SIDRA, devemos acessar a plataforma, encontrar a tabela dos dados do IPCA que desejamos, selecionar os parâmetros (as informações que desejamos importar) e em seguida copiar a chave API.

Com a chave API em mãos, podemos utilizar a função do pacote {sidrar}, get_sidra(), e salvar o resultado da consulta em um objeto.

#### Importação

# Índice Nacional de Preços ao Consumidor Amplo (IPCA) - Acumulado 12 meses - IBGE
ipca_raw <- sidrar::get_sidra(api = "/t/1737/n1/all/v/2265/p/all/d/v2265%202")

All others arguments are desconsidered when 'api' is informed

Coleta

Agora já temos uma forma de importar os dados do IPCA direto no R! Entretanto, vamos analisar o que importamos:

dplyr::glimpse(ipca_raw)

Rows: 514
Columns: 11
$ `Nível Territorial (Código)` <chr> "1", "1", "1", "1", "1", "1", "1", "1", "…
$ `Nível Territorial`          <chr> "Brasil", "Brasil", "Brasil", "Brasil", "…
$ `Unidade de Medida (Código)` <chr> "", "", "", "", "", "", "", "", "", "", "…
$ `Unidade de Medida`          <chr> "", "", "", "", "", "", "", "", "", "", "…
$ Valor                        <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N…
$ `Brasil (Código)`            <chr> "1", "1", "1", "1", "1", "1", "1", "1", "…
$ Brasil                       <chr> "Brasil", "Brasil", "Brasil", "Brasil", "…
$ `Variável (Código)`          <chr> "2265", "2265", "2265", "2265", "2265", "…
$ Variável                     <chr> "IPCA - Variação acumulada em 12 meses", …
$ `Mês (Código)`               <chr> "197912", "198001", "198002", "198003", "…
$ Mês                          <chr> "dezembro 1979", "janeiro 1980", "feverei…

Há diversas colunas, com dados que não possuem importância para a nossa análise, bem como possuem colunas em que os tipos de dados estão totalmente errados! Devemos criar uma forma do R conseguir ler corretamente. Partimos para o processo de limpeza e tratamento.

Limpeza e Tratamento

# Limpeza do IPCA

# Data de início das séries
data_inicio <- lubridate::as_date("2004-01-01")

ipca <- ipca_raw |> 
  dplyr::select("data" = "Mês (Código)", "ipca" = "Valor") |> 
  dplyr::mutate(data = lubridate::ym(data)) |> 
  dplyr::filter(data >= data_inicio)  |> 
  dplyr::as_tibble()

Limpeza e Tratamento

Veja o código acima, parece um pouco complicado, certo? Vamos explicar um pouco o que está acontecendo.

Em primeiro lugar, colocamos o nome do objeto ipca_raw, em seguida um símbolo |> e depois uma função. O que aconteceu aqui? Estamos utilizando o operador pipe do R, que permite colocarmos tudo o que está do lado esquerdo (isto é, o resultado) dentro do primeiro argumento da função da próxima linha.

O primeiro argumento da função select() é um argumento que especifica qual o objeto com dados deverá ser utilizado, no caso, ipca_raw. O operador ajuda a criarmos uma sequência de códigos limpa e fácil de ler.

Seguindo o processo, iremos utilizar a função select()do pacote dplyr, que vai permitir escolhermos quais as colunas que queremos selecionar do data frame importado. No caso, selecionamos 2 colunas: Mês (Código) e Valor, veja que selecionamos utilizando aspas e também colocando “data” e “ipca” como valores iguais as colunas. Utilizamos isso para encurtar o caminho: estamos alterando o nome das colunas selecionadas para data e ipca, ou seja, além de selecionar colunas a função select permite alterar o nome das mesmas.

Limpeza e Tratamento

Em seguida, utilizamos pipe novamente, colocando o resultado da linha dentro da função da próxima linha: mutate(). A função mutate() permite alterar as observações das colunas do data frame. Aqui, utilizaremos a função ym do pacote lubridate para alterar os dados da coluna data para o tipo date (está em formato character).

Logo após, vamos aplicar um filtro de dados no data frame com a função filter(). Queremos dados a partir de 2004-01-01, que está salvo no objeto data_inicio. Para isso, dentro da função filter() colocamos que queremos os valores da coluna data >= (maior e igual) que data_inicio (2004-01-01).

Por fim, utilizamos a função as_tibble para alterar a estrutura de dados (a classe) do objeto para tibble, que é uma classe similar ao data frame usual, entretanto com mais informações.

Exploração dos Dados

Vamos começar com a função summary(), que permite calcular os cinco números dos valores do IPCA. Vemos que o valor mínimo do IPCA Acumulado em 12 meses foi de 1.88%, enquanto o valor máximo foi de 12.13%. A mediana dos valores durante o período está em 5.69%.

summary(ipca)

      data                 ipca       
 Min.   :2004-01-01   Min.   : 1.880  
 1st Qu.:2008-09-01   1st Qu.: 4.310  
 Median :2013-05-01   Median : 5.690  
 Mean   :2013-05-01   Mean   : 5.838  
 3rd Qu.:2018-01-01   3rd Qu.: 6.760  
 Max.   :2022-09-01   Max.   :12.130

Podemos entender o comportamento do indicador ao longo do tempo através de uma gráfico de linha, com a data no eixo x e o IPCA no eixo y. Para construir, utilizamos o pacote {ggplot2}, com as suas funções. Primeiro criamos a camada do gráfico com ggplot(), em seguida, criamos a camada das coordenadas dos dados do gráfico com aes(), depois construído o gráfico de linha com geom_line(), e por fim, adicionamos geom_smooth() para criar uma linha que mensura a tendência do indicador ao longo da série.

# Gráfico de linha
ipca |> 
  ggplot2::ggplot() +
  ggplot2::aes(x = data, y = ipca) +
  ggplot2::geom_line()

Com o Histograma podemos analisar a distribuição dos dados. Vemos que os valores se encontram próximo do valor 5% e 6%, com uma cauda alongada para a direita, com pontos extremos positivos, significando menores frequências de acontecimento

# Gráfico de histograma do IPCA
ipca |> 
  ggplot2::ggplot() +
  ggplot2::aes(x = ipca) +
  ggplot2::geom_histogram()

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Hoje descobrimos o quão fácil é analisar a Taxa de Inflação do Brasil. Para aprofundamentos, é possível analisar outras janelas de variações (mensal, semestral, anual), além de dar um passo adiante e iniciar a etapa de modelagem. Até a próxima!