Entrada de dados

library(tidyverse)

## Warning: package 'tibble' was built under R version 4.1.2

## Warning: package 'tidyr' was built under R version 4.1.2

## Warning: package 'readr' was built under R version 4.1.2

library(corrplot)

## Warning: package 'corrplot' was built under R version 4.1.2

library(ggpubr)
caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/dados/alcatra.txt"
alcatra <- read.table(caminho,h=TRUE,sep="\t")
glimpse(alcatra)

## Rows: 15
## Columns: 5
## $ Ano     <int> 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 20~
## $ IPCA    <dbl> 2.30, 3.75, 25.22, 18.78, -2.35, 33.35, 4.92, -2.41, 3.28, 21.~
## $ ExpBovi <dbl> 1783319747, 2451935575, 2682981110, 3669213800, 2643815489, 33~
## $ pUS     <dbl> 1.97, 2.24, 2.34, 3.82, 3.12, 3.88, 4.82, 4.49, 4.34, 4.55, 4.~
## $ pReais  <dbl> 4.81, 4.88, 4.56, 7.01, 6.23, 6.83, 8.07, 8.78, 9.37, 10.71, 1~

Criando os períodos

Foi adicionada outra variável, período, definida como P1 para anos menores ou iguais que 2011 e P2 para os demais.

alcatra <- alcatra %>% 
  mutate(periodo = ifelse(Ano <= 2010,"P1","P2"))
glimpse(alcatra)

## Rows: 15
## Columns: 6
## $ Ano     <int> 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 20~
## $ IPCA    <dbl> 2.30, 3.75, 25.22, 18.78, -2.35, 33.35, 4.92, -2.41, 3.28, 21.~
## $ ExpBovi <dbl> 1783319747, 2451935575, 2682981110, 3669213800, 2643815489, 33~
## $ pUS     <dbl> 1.97, 2.24, 2.34, 3.82, 3.12, 3.88, 4.82, 4.49, 4.34, 4.55, 4.~
## $ pReais  <dbl> 4.81, 4.88, 4.56, 7.01, 6.23, 6.83, 8.07, 8.78, 9.37, 10.71, 1~
## $ periodo <chr> "P1", "P1", "P1", "P1", "P1", "P1", "P2", "P2", "P2", "P2", "P~

Gráfico ao longo do tempo para IPCA e Exportação Bovina

coeff <- 100000000
alcatra %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=ExpBovi  / coeff, color = "ExpBovi")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="ExpBovi")
  ) +
  scale_colour_manual(values = c("blue", "red"))+
  geom_vline(xintercept = c(2011),lty=2)

Análise de correlação

Para o Período 1

alcatra %>% 
  filter(Ano < 2011) %>% 
  select(-Ano, - periodo) %>% 
  cor()

##              IPCA   ExpBovi       pUS    pReais
## IPCA    1.0000000 0.6552437 0.5202182 0.3238700
## ExpBovi 0.6552437 1.0000000 0.9131342 0.8177104
## pUS     0.5202182 0.9131342 1.0000000 0.9696778
## pReais  0.3238700 0.8177104 0.9696778 1.0000000

Para o Período 2

alcatra %>% 
  filter(Ano >= 2011) %>% 
  select(-Ano,-periodo) %>% 
  cor()

##               IPCA    ExpBovi         pUS     pReais
## IPCA    1.00000000  0.7263670  0.03341801  0.4669654
## ExpBovi 0.72636698  1.0000000 -0.18315049  0.5547995
## pUS     0.03341801 -0.1831505  1.00000000 -0.8037101
## pReais  0.46696545  0.5547995 -0.80371015  1.0000000

Análise de regressão linear para cada período

alcatra %>% 
  ggplot(aes(x=ExpBovi, y=IPCA, color=as.factor(periodo))) +
  geom_point()+
  geom_smooth(method = "lm")+
  facet_wrap(~periodo,scales = "free")+
  labs(color="Períodos")

## `geom_smooth()` using formula 'y ~ x'

Anova para o Periodo 1

A análise de regressão linear foi não significativa pelo teste F ao nível de 5% de probabilidadade (p=0.2751), indicando que não existe uma relação linear entre o IPCA e ExpBovi, denotado pelos baixos valor de R² (0.07704).

da<-alcatra %>% 
  filter(Ano <= 2011)
mod <- lm(IPCA~ExpBovi, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ ExpBovi, data = da)
## 
## Residuals:
##        1        2        3        4        5        6        7 
##   0.4989  -4.4995  14.7422  -1.2094 -12.4501  16.3425 -13.4246 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.540e+01  2.312e+01  -0.666    0.535
## ExpBovi      9.644e-09  7.872e-09   1.225    0.275
## 
## Residual standard error: 12.97 on 5 degrees of freedom
## Multiple R-squared:  0.2309, Adjusted R-squared:  0.07704 
## F-statistic: 1.501 on 1 and 5 DF,  p-value: 0.2751

Anova para o Periodo 2

A análise de regressão linear foi significativa pelo teste F ao nível de 5% de probabilidadade (p=0.03073), indicando que existe uma relação linear entre o IPCA e ExpBovi, denotado pelos médios valor de R² (0.4964).

da<-alcatra %>% 
  filter(Ano > 2011)
mod <- lm(IPCA~ExpBovi, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ ExpBovi, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -13.197  -7.129   2.556   6.912   8.236 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -5.307e+01  2.223e+01  -2.387   0.0542 .
## ExpBovi      1.416e-08  5.037e-09   2.811   0.0307 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.045 on 6 degrees of freedom
## Multiple R-squared:  0.5684, Adjusted R-squared:  0.4964 
## F-statistic:   7.9 on 1 and 6 DF,  p-value: 0.03073

Gráfico ao longo do tempo para IPCA e Preço em Reais

coeff <- .5
alcatra %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=pReais  / coeff, color = "Preço em Reais")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Preço em Reais")
  ) +
  scale_colour_manual(values = c("blue", "red"))+
  geom_vline(xintercept = c(2011),lty=2)

Análise de correlação

Para o Período 1

alcatra %>% 
  filter(Ano < 2011) %>% 
  select(-Ano, - periodo) %>% 
  cor()

##              IPCA   ExpBovi       pUS    pReais
## IPCA    1.0000000 0.6552437 0.5202182 0.3238700
## ExpBovi 0.6552437 1.0000000 0.9131342 0.8177104
## pUS     0.5202182 0.9131342 1.0000000 0.9696778
## pReais  0.3238700 0.8177104 0.9696778 1.0000000

Para o Período 2

alcatra %>% 
  filter(Ano >= 2011) %>% 
  select(-Ano,-periodo) %>% 
  cor()

##               IPCA    ExpBovi         pUS     pReais
## IPCA    1.00000000  0.7263670  0.03341801  0.4669654
## ExpBovi 0.72636698  1.0000000 -0.18315049  0.5547995
## pUS     0.03341801 -0.1831505  1.00000000 -0.8037101
## pReais  0.46696545  0.5547995 -0.80371015  1.0000000

Análise de regressão linear para cada período

alcatra %>% 
  ggplot(aes(x=pReais, y=IPCA, color=as.factor(periodo))) +
  geom_point()+
  geom_smooth(method = "lm")+
  facet_wrap(~periodo,scales = "free")+
  labs(color="Períodos")

## `geom_smooth()` using formula 'y ~ x'

Anova para o Periodo 1

A análise de regressão linear foi não significativa pelo teste F ao nível de 5% de probabilidadade (p= 0.8714), indicando que não existe uma relação linear entre o IPCA e pReais, denotado pelos baixos valor de R² (0.005774).

da<-alcatra %>% 
  filter(Ano <= 2011)
mod <- lm(IPCA~pReais, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ pReais, data = da)
## 
## Residuals:
##       1       2       3       4       5       6       7 
##  -9.027  -7.631  14.084   5.768 -14.765  20.476  -8.904 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept)   7.6431    27.7847   0.275    0.794
## pReais        0.7659     4.4949   0.170    0.871
## 
## Residual standard error: 14.75 on 5 degrees of freedom
## Multiple R-squared:  0.005774,   Adjusted R-squared:  -0.1931 
## F-statistic: 0.02904 on 1 and 5 DF,  p-value: 0.8714

Anova para o Periodo 2

A análise de regressão linear foi significativa pelo teste F ao nível de 5% de probabilidadade (p=0.2252), indicando que existe uma relação linear entre o IPCA e pReais, denotado pelos baixos valor de R² (0.2334).

da<-alcatra %>% 
  filter(Ano > 2011)
mod <- lm(IPCA~pReais, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ pReais, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -14.611  -6.673  -1.847   5.219  16.657 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept)  -20.623     22.158  -0.931    0.388
## pReais         2.357      1.744   1.352    0.225
## 
## Residual standard error: 12.05 on 6 degrees of freedom
## Multiple R-squared:  0.2334, Adjusted R-squared:  0.1057 
## F-statistic: 1.827 on 1 and 6 DF,  p-value: 0.2252

Rodada de análise 2

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/dados/rodada2.txt"
ipca <- read.table(caminho,h=TRUE,sep="\t")
glimpse(ipca)

## Rows: 15
## Columns: 3
## $ Ano  <int> 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015,~
## $ IPCA <dbl> 100.00, 103.75, 129.92, 154.31, 150.69, 200.94, 210.83, 205.75, 2~
## $ pExp <dbl> 100.00, 101.46, 94.80, 145.74, 129.52, 142.00, 167.78, 182.54, 19~

coeff <- 1
ipca %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=pExp   / coeff, color = "pExp")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="pExp")
  ) +
  scale_colour_manual(values = c("blue", "red"))+
  geom_vline(xintercept = c(2011),lty=2)

# Análise de correlação

Para o Período TOTAL

ipca %>% 
  select(-Ano) %>% 
  cor()

##           IPCA      pExp
## IPCA 1.0000000 0.9715823
## pExp 0.9715823 1.0000000

Análise de regressão linear para cada período

ipca %>% 
  ggplot(aes(x=pExp, y=IPCA)) +
  geom_point()+
  geom_smooth(method = "lm")

Anova para o Periodo TOTAL

A análise de regressão linear foi significativa pelo teste F ao nível de 15% de probabilidadade (p= 1.63e-09), indicando que existe uma relação linear entre o IPCA e pExp, denotado pelos alto valor de R² (0.944).

mod <- lm(IPCA~pExp, data=ipca)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ pExp, data = ipca)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -26.453 -16.250  -0.658  13.115  37.108 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 20.65797   14.43978   1.431    0.176    
## pExp         1.00827    0.06813  14.800 1.63e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 20.63 on 13 degrees of freedom
## Multiple R-squared:  0.944,  Adjusted R-squared:  0.9397 
## F-statistic:   219 on 1 and 13 DF,  p-value: 1.63e-09

Rodada 3

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/dados/rodada3.txt"
dados <- read.table(caminho,h=TRUE,sep="\t")
glimpse(dados)

## Rows: 23
## Columns: 4
## $ ano           <int> 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 20~
## $ IPCA          <dbl> 100.00000, 98.60000, 102.56046, 87.55586, 128.16427, 221~
## $ oleo_soja_exp <dbl> 100.0000, 123.6387, 139.7265, 106.5250, 124.0465, 205.09~
## $ grao_soja_exp <dbl> 100.00000, 85.83221, 102.34711, 109.84601, 129.08528, 17~

Gráfico ao longo do tempo para IPCA e oleo_soja_exp

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=oleo_soja_exp  / coeff, color = "oleo_soja_exp")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="oleo_soja_exp")
  ) +
  scale_colour_manual(values = c("blue","red"))

Gráfico ao longo do tempo para IPCA e grao_soja_exp

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=grao_soja_exp  / coeff, color = "grao_soja_exp")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="grao_soja_exp")
  ) +
  scale_colour_manual(values = c("red", "blue"))

Análise de correlação

dados %>% 
  select(-ano) %>% 
  cor()

##                    IPCA oleo_soja_exp grao_soja_exp
## IPCA          1.0000000     0.9580584     0.9235367
## oleo_soja_exp 0.9580584     1.0000000     0.9593896
## grao_soja_exp 0.9235367     0.9593896     1.0000000

Análise de regressão linear para óleo de soja

dados %>% 
  ggplot(aes(x=oleo_soja_exp, y=IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=oleo_soja_exp, y=IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para óleos de soja

A análise de regressão linear foi significativa pelo teste F ao nível de 1% de probabilidadade (p=<0.001), indicando que existe uma relação linear entre o IPCA e oleo_soja_exp, denotado pelos altos valor de R² (0.92).

da<-dados
mod <- lm(IPCA~oleo_soja_exp, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ oleo_soja_exp, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -46.003 -18.463   0.327  16.474  52.550 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   38.91530   12.74058   3.054  0.00602 ** 
## oleo_soja_exp  0.63557    0.04149  15.320 7.15e-13 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 23.25 on 21 degrees of freedom
## Multiple R-squared:  0.9179, Adjusted R-squared:  0.914 
## F-statistic: 234.7 on 1 and 21 DF,  p-value: 7.154e-13

Análise de regressão linear para grao de soja

dados %>% 
  ggplot(aes(x=grao_soja_exp, y=IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=oleo_soja_exp, y=IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para grãos de soja

A análise de regressão linear foi significativa pelo teste F ao nível de 1% de probabilidadade (p<0.001), indicando que existe uma relação linear entre o IPCA e grao_soja_exp, denotado pelos altos valor de R² (0.85).

da<-dados
mod <- lm(IPCA~grao_soja_exp, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ grao_soja_exp, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -45.189 -24.964   2.434  21.203  50.352 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   64.49419   15.46578    4.17 0.000433 ***
## grao_soja_exp  0.61034    0.05531   11.04 3.36e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 31.12 on 21 degrees of freedom
## Multiple R-squared:  0.8529, Adjusted R-squared:  0.8459 
## F-statistic: 121.8 on 1 and 21 DF,  p-value: 3.36e-10

Bovinocultura

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/bovinocultura.txt"
dados <- read.table(caminho,h=TRUE,sep="\t")
glimpse(dados)

## Rows: 23
## Columns: 3
## $ ano        <int> 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006,~
## $ IPCA       <dbl> 100.0, 105.1, 129.4, 131.4, 149.8, 168.8, 181.4, 192.4, 198~
## $ precoExpor <dbl> 100.0, 101.9, 138.5, 121.7, 116.3, 129.0, 134.2, 151.3, 134~

Gráfico ao longo do tempo para IPCA e Bovinocultura de Exportação

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=precoExpor  / coeff, color = "Bovino Exportação")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Bovino Exportação")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados %>% 
  select(-ano) %>% 
  cor()

##                 IPCA precoExpor
## IPCA       1.0000000  0.9723961
## precoExpor 0.9723961  1.0000000

Análise de regressão linear para Bovinocultura Exportação e IPCA

dados %>% 
  ggplot(aes(x=precoExpor, y=IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=precoExpor, y=IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Bovinocultura Exportação e IPCA

A análise de regressão linear foi significativa pelo teste F ao nível de 1% de probabilidadade (p=<0.001), indicando que existe uma relação linear entre o IPCA e Bovinocultura Exportação, denotado pelos altos valor de R² (0.9456).

da<-dados
mod <- lm(IPCA~precoExpor, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ precoExpor, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -72.580 -32.934  -8.824  29.386 107.251 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -34.23456   21.58960  -1.586    0.128    
## precoExpor    1.70552    0.08931  19.097 9.43e-15 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 46.55 on 21 degrees of freedom
## Multiple R-squared:  0.9456, Adjusted R-squared:  0.943 
## F-statistic: 364.7 on 1 and 21 DF,  p-value: 9.427e-15

#Avicultura

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/avicultura.txt"
dados <- read.table(caminho,h=TRUE,sep="\t")
glimpse(dados)

## Rows: 23
## Columns: 3
## $ ano      <int> 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2~
## $ IPCA     <dbl> 100.00, 100.26, 126.23, 135.05, 139.95, 173.54, 196.17, 201.6~
## $ precoExp <dbl> 100.00, 100.72, 142.15, 112.48, 167.13, 167.24, 179.95, 206.3~

Gráfico ao longo do tempo para IPCA e Avicultura de Exportação

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=IPCA, color = "IPCA")) + 
  geom_line( aes(y=precoExp  / coeff, color = "Vicultura Exportação")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Avicultura Exportação")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados %>% 
  select(-ano) %>% 
  cor()

##              IPCA precoExp
## IPCA     1.000000 0.960948
## precoExp 0.960948 1.000000

Análise de regressão linear para Avicultura Exportação e IPCA

dados %>% 
  ggplot(aes(x=precoExp, y=IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=precoExp, y=IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Avicultura Exportação e IPCA

A análise de regressão linear foi significativa pelo teste F ao nível de 1% de probabilidadade (p=<0.001), indicando que existe uma relação linear entre o IPCA e Avicultura Exportação, denotado pelos altos valor de R² (0.9234).

da<-dados
mod <- lm(IPCA~precoExp, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = IPCA ~ precoExp, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -58.080 -24.072   8.366  23.997  55.176 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -24.23077   19.46830  -1.245    0.227    
## precoExp      1.32987    0.08357  15.913 3.42e-13 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 32.75 on 21 degrees of freedom
## Multiple R-squared:  0.9234, Adjusted R-squared:  0.9198 
## F-statistic: 253.2 on 1 and 21 DF,  p-value: 3.424e-13

Análise Café

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/dados/cafe_porco.txt"
dados <- read.table(caminho,h=TRUE,sep="\t")
glimpse(dados)

## Rows: 23
## Columns: 7
## $ Ano              <int> 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005,~
## $ cafe_IPCA        <dbl> 100.00, 86.88, 88.12, 85.73, 97.09, 108.37, 117.87, 1~
## $ cafe_soluvel     <dbl> 100.00, 104.99, 120.71, 112.12, 108.57, 119.60, 143.9~
## $ cafe_torrado     <dbl> 100.00, 120.88, 124.27, 100.12, 62.86, 64.52, 143.47,~
## $ carne_porco_IPCA <dbl> 100.00, 115.40, 142.30, 142.19, 163.60, 170.91, 206.1~
## $ carne_suina      <dbl> 100.00, 86.68, 101.96, 97.52, 132.92, 133.44, 143.96,~
## $ miudos           <dbl> 100.00, 87.98, 100.26, 103.71, 129.87, 122.10, 150.48~

Gráfico ao longo do tempo para IPCA e Café Soluvel

coeff <- 1
dados %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=cafe_IPCA, color = "IPCA")) + 
  geom_line( aes(y=cafe_soluvel  / coeff, color = "Café Solúvel")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Café solúvel")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados %>% 
  select(-Ano) %>% 
  cor()

##                  cafe_IPCA cafe_soluvel cafe_torrado carne_porco_IPCA
## cafe_IPCA        1.0000000    0.9783425    0.9723043        0.9311386
## cafe_soluvel     0.9783425    1.0000000    0.9813015        0.9455735
## cafe_torrado     0.9723043    0.9813015    1.0000000        0.9266041
## carne_porco_IPCA 0.9311386    0.9455735    0.9266041        1.0000000
## carne_suina      0.9057075    0.9296316    0.9108481        0.9704174
## miudos           0.9701877    0.9731855    0.9673630        0.9476139
##                  carne_suina    miudos
## cafe_IPCA          0.9057075 0.9701877
## cafe_soluvel       0.9296316 0.9731855
## cafe_torrado       0.9108481 0.9673630
## carne_porco_IPCA   0.9704174 0.9476139
## carne_suina        1.0000000 0.9511940
## miudos             0.9511940 1.0000000

Análise de regressão linear para Cafe Soluvel e IPCA

dados %>% 
  ggplot(aes(x=cafe_soluvel, y=cafe_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=cafe_soluvel, y=cafe_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Cafe Soluvel e IPCA

da<-dados
mod <- lm(cafe_IPCA~cafe_soluvel, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = cafe_IPCA ~ cafe_soluvel, data = da)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -30.2190 -10.3399  -0.7309  10.0116  25.5786 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   6.95100    7.78439   0.893    0.382    
## cafe_soluvel  0.77583    0.03582  21.659 7.57e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 14.17 on 21 degrees of freedom
## Multiple R-squared:  0.9572, Adjusted R-squared:  0.9551 
## F-statistic: 469.1 on 1 and 21 DF,  p-value: 7.575e-16

Gráfico ao longo do tempo para IPCA e Café Torrado

coeff <- 1
dados %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=cafe_IPCA, color = "IPCA")) + 
  geom_line( aes(y=cafe_torrado  / coeff, color = "Café Torrado")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Café Torrado")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados %>% 
  select(-Ano) %>% 
  cor()

##                  cafe_IPCA cafe_soluvel cafe_torrado carne_porco_IPCA
## cafe_IPCA        1.0000000    0.9783425    0.9723043        0.9311386
## cafe_soluvel     0.9783425    1.0000000    0.9813015        0.9455735
## cafe_torrado     0.9723043    0.9813015    1.0000000        0.9266041
## carne_porco_IPCA 0.9311386    0.9455735    0.9266041        1.0000000
## carne_suina      0.9057075    0.9296316    0.9108481        0.9704174
## miudos           0.9701877    0.9731855    0.9673630        0.9476139
##                  carne_suina    miudos
## cafe_IPCA          0.9057075 0.9701877
## cafe_soluvel       0.9296316 0.9731855
## cafe_torrado       0.9108481 0.9673630
## carne_porco_IPCA   0.9704174 0.9476139
## carne_suina        1.0000000 0.9511940
## miudos             0.9511940 1.0000000

Análise de regressão linear para Cafe Torrado e IPCA

dados %>% 
  ggplot(aes(x=cafe_torrado, y=cafe_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=cafe_torrado, y=cafe_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Cafe Torrado e IPCA

da<-dados
mod <- lm(cafe_IPCA~cafe_torrado, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = cafe_IPCA ~ cafe_torrado, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -19.392 -14.769   0.353  10.501  32.850 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  43.49751    7.09805   6.128 4.43e-06 ***
## cafe_torrado  0.49631    0.02603  19.064 9.76e-15 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 16 on 21 degrees of freedom
## Multiple R-squared:  0.9454, Adjusted R-squared:  0.9428 
## F-statistic: 363.4 on 1 and 21 DF,  p-value: 9.757e-15

#Análise para Carne de Porco

Gráfico ao longo do tempo para IPCA e Carne Suina

coeff <- 1
dados %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=carne_porco_IPCA, color = "IPCA")) + 
  geom_line( aes(y=carne_suina  / coeff, color = "Carne Suina")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Carne Suina")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de regressão linear para Carne Suína e IPCA

dados %>% 
  ggplot(aes(x=carne_suina, y=carne_porco_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=carne_suina, y=carne_porco_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Carne de porco e IPCA

da<-dados
mod <- lm(carne_porco_IPCA~carne_suina, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = carne_porco_IPCA ~ carne_suina, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -45.993 -21.901   5.489  23.121  55.685 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -37.80779   18.97480  -1.993   0.0595 .  
## carne_suina   1.70419    0.09252  18.419 1.93e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 31.38 on 21 degrees of freedom
## Multiple R-squared:  0.9417, Adjusted R-squared:  0.9389 
## F-statistic: 339.3 on 1 and 21 DF,  p-value: 1.933e-14

Gráfico ao longo do tempo para IPCA e Miúdos Suínos

coeff <- 1
dados %>%   
  ggplot(aes(x=Ano)) +
  geom_line( aes(y=carne_porco_IPCA, color = "IPCA")) + 
  geom_line( aes(y=miudos  / coeff, color = "Miudos Porco")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="Miudos Porco")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de regressão linear para Miúdos Suínos Torrado e IPCA

dados %>% 
  ggplot(aes(x=miudos, y=carne_porco_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=miudos, y=carne_porco_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Miúdos Suínos e IPCA

da<-dados
mod <- lm(carne_porco_IPCA~miudos, data=da)
summary.lm(mod)

## 
## Call:
## lm(formula = carne_porco_IPCA ~ miudos, data = da)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -66.844 -19.157  -4.079  14.178  95.145 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   7.9285    22.4989   0.352    0.728    
## miudos        1.4609     0.1075  13.595 7.05e-12 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 41.52 on 21 degrees of freedom
## Multiple R-squared:  0.898,  Adjusted R-squared:  0.8931 
## F-statistic: 184.8 on 1 and 21 DF,  p-value: 7.054e-12

Análise Limão

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/dados/limao_milho.txt"
dados <- read.table(caminho,h=TRUE,sep="\t")
glimpse(dados)

## Rows: 23
## Columns: 5
## $ ano               <int> 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005~
## $ limao_IPCA        <dbl> 100.00, 83.46, 84.24, 99.68, 97.08, 157.97, 149.05, ~
## $ limao_exp         <dbl> 100.00, 129.26, 208.01, 161.84, 161.67, 248.78, 252.~
## $ fuba_IPCA         <dbl> 100.0000, 102.4600, 127.1016, 132.9483, 140.9252, 20~
## $ farinha_milho_exp <dbl> 100.00000, 102.58519, 84.19514, 84.91459, 135.02732,~

Gráfico ao longo do tempo para IPCA e Limão

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=limao_IPCA, color = "IPCA")) + 
  geom_line( aes(y=limao_exp   / coeff, color = "limao_exp ")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="limao_exp ")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados  |>  
  select(-ano)  |>  
  cor()

##                   limao_IPCA limao_exp fuba_IPCA farinha_milho_exp
## limao_IPCA         1.0000000 0.7838722 0.9370068         0.8325877
## limao_exp          0.7838722 1.0000000 0.8859251         0.8265943
## fuba_IPCA          0.9370068 0.8859251 1.0000000         0.9030416
## farinha_milho_exp  0.8325877 0.8265943 0.9030416         1.0000000

Análise de regressão linear para Limão e IPCA

dados %>% 
  ggplot(aes(x=limao_exp , y=limao_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=limao_exp, y=limao_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Cafe Soluvel e IPCA

dados |> 
  { \(d) lm(limao_IPCA~limao_exp, data=d)}() |> 
  summary.lm()

## 
## Call:
## lm(formula = limao_IPCA ~ limao_exp, data = d)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -190.732  -61.867   -6.331   78.157  173.942 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -125.401     76.504  -1.639    0.116    
## limao_exp      1.845      0.319   5.785 9.64e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 106.9 on 21 degrees of freedom
## Multiple R-squared:  0.6145, Adjusted R-squared:  0.5961 
## F-statistic: 33.47 on 1 and 21 DF,  p-value: 9.638e-06

Análise Milho

Gráfico ao longo do tempo para IPCA e Milho

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=fuba_IPCA, color = "IPCA")) + 
  geom_line( aes(y=farinha_milho_exp   / coeff, color = "farinha_milho_exp")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="farinha_milho_exp")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados  |>  
  select(-ano)  |>  
  cor()

##                   limao_IPCA limao_exp fuba_IPCA farinha_milho_exp
## limao_IPCA         1.0000000 0.7838722 0.9370068         0.8325877
## limao_exp          0.7838722 1.0000000 0.8859251         0.8265943
## fuba_IPCA          0.9370068 0.8859251 1.0000000         0.9030416
## farinha_milho_exp  0.8325877 0.8265943 0.9030416         1.0000000

Análise de regressão linear para Milho e IPCA

dados %>% 
  ggplot(aes(x=farinha_milho_exp , y=fuba_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=farinha_milho_exp, y=fuba_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Cafe Soluvel e IPCA

dados |> 
  { \(d) lm(fuba_IPCA~farinha_milho_exp, data=d)}() |> 
  summary.lm()

## 
## Call:
## lm(formula = fuba_IPCA ~ farinha_milho_exp, data = d)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -132.24  -12.95   12.70   26.00   76.56 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       -53.3825    35.2434  -1.515    0.145    
## farinha_milho_exp   2.0153     0.2092   9.634 3.71e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 52.15 on 21 degrees of freedom
## Multiple R-squared:  0.8155, Adjusted R-squared:  0.8067 
## F-statistic: 92.81 on 1 and 21 DF,  p-value: 3.708e-09

Análise Laranja

caminho <- "https://raw.githubusercontent.com/arpanosso/ministerio_saude_alimentos/main/dados/laranja.txt"
dados <- read.table(caminho,h=TRUE,sep="\t")
glimpse(dados)

## Rows: 23
## Columns: 3
## $ ano          <int> 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 200~
## $ laranja_IPCA <dbl> 100.0, 120.0, 110.0, 122.0, 198.3, 202.2, 216.3, 194.8, 2~
## $ laranja_exp  <dbl> 100.0, 129.3, 208.0, 161.8, 161.7, 248.8, 252.1, 214.0, 1~

Gráfico ao longo do tempo para IPCA e Laranja

coeff <- 1
dados %>%   
  ggplot(aes(x=ano)) +
  geom_line( aes(y=laranja_IPCA, color = "IPCA")) + 
  geom_line( aes(y=laranja_exp   / coeff, color = "laranja_exp ")) + 
  scale_y_continuous(
    name = "IPCA",
    sec.axis = sec_axis(~.*coeff, name="laranja_exp ")
  ) +
  scale_colour_manual(values = c("blue","red"))

Análise de correlação

dados  |>  
  select(-ano)  |>  
  cor()

##              laranja_IPCA laranja_exp
## laranja_IPCA    1.0000000   0.8693342
## laranja_exp     0.8693342   1.0000000

Análise de regressão linear para Limão e IPCA

dados %>% 
  ggplot(aes(x=laranja_exp , y=laranja_IPCA)) +
  geom_point(shape=21, color="black", fill="aquamarine4", size=4)+
  geom_smooth(aes(x=laranja_exp, y=laranja_IPCA),method = "lm",color="red") +
  theme_classic()+
  stat_regline_equation(aes(
  label =  paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~~")))

## `geom_smooth()` using formula 'y ~ x'

Anova para Cafe Soluvel e IPCA

dados |> 
  { \(d) lm(laranja_IPCA~laranja_exp, data=d)}() |> 
  summary.lm()

## 
## Call:
## lm(formula = laranja_IPCA ~ laranja_exp, data = d)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -228.94  -52.79   24.27   70.27  215.39 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -267.1916    83.5152  -3.199  0.00431 ** 
## laranja_exp    2.8068     0.3482   8.061 7.29e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 116.7 on 21 degrees of freedom
## Multiple R-squared:  0.7557, Adjusted R-squared:  0.7441 
## F-statistic: 64.97 on 1 and 21 DF,  p-value: 7.294e-08

Correlação entre países (série toda).

library(readxl)
serie_grau <- read_excel("data/Séries por grau de processamento(2)(1).xlsx") |> 
  dplyr::mutate(ano = lubridate::year(Mês))

grupos <- serie_grau$Grupo |> unique()
vars<-names(serie_grau[4:6])
saida<-vector()
for(i in seq_along(grupos)){
  for(j in seq_along(vars)){
    da <- serie_grau |> 
      dplyr::filter(Grupo == grupos[i]) |> 
      dplyr::select(Brasil,vars[j])
    obj <- cor.test(da$Brasil,da |> dplyr::pull(vars[j]) )
    r<-obj$estimate
    p<-obj$p.value
   saida <- rbind(saida,c(grupo = grupos[i],Pais = vars[j], r = r |> round(5)
                  ,P = p |> round(5)))
  }
}
writexl::write_xlsx(saida |> as.data.frame(),"data/saida_serie_total.xlsx" )

Correlação entre países (por ano).

grupos <- serie_grau$Grupo |> unique()
vars<-names(serie_grau[4:6])
saida<-vector()
for(i in seq_along(grupos)){
  for(j in seq_along(vars)){
    for(k in 2020:2021){
      da <- serie_grau |> 
        dplyr::filter(Grupo == grupos[i], ano == k) |> 
        dplyr::select(Brasil,vars[j])
      obj <- cor.test(da$Brasil,da |> dplyr::pull(vars[j]) )
      r<-obj$estimate
      p<-obj$p.value
     saida <- rbind(saida,c(ano = k,grupo = grupos[i],Pais = vars[j], r = r |> round(5)
                    ,P = p |> round(5)))
    }
  }
}
tibble::as.tibble( saida ) |>  dplyr::arrange(ano)

## Warning: `as.tibble()` was deprecated in tibble 2.0.0.
## Please use `as_tibble()` instead.
## The signature and semantics have changed, see `?as_tibble`.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was generated.

## # A tibble: 24 x 5
##    ano   grupo Pais    r.cor    P      
##    <chr> <chr> <chr>   <chr>    <chr>  
##  1 2020  G1    Chile   0.30232  0.3662 
##  2 2020  G1    Equador -0.02849 0.93374
##  3 2020  G1    FAO     0.16135  0.63552
##  4 2020  G2    Chile   -0.04418 0.89736
##  5 2020  G2    Equador -0.43682 0.17916
##  6 2020  G2    FAO     0.6201   0.04182
##  7 2020  G3    Chile   -0.37831 0.25129
##  8 2020  G3    Equador -0.37375 0.25752
##  9 2020  G3    FAO     0.23016  0.49596
## 10 2020  G4    Chile   0.15965  0.63915
## # ... with 14 more rows

writexl::write_xlsx(saida |>  as.data.frame(),"data/saida_ano.xlsx" )

Projeto Ministério da Saúde e Preço-Alimentos

Panosso A.R. & Oliveira J.

19/02/2021

Entrada de dados

Criando os períodos

Gráfico ao longo do tempo para IPCA e Exportação Bovina

Análise de correlação

Para o Período 1

Para o Período 2

Análise de regressão linear para cada período

Anova para o Periodo 1

Anova para o Periodo 2

Gráfico ao longo do tempo para IPCA e Preço em Reais

Análise de correlação

Para o Período 1

Para o Período 2

Análise de regressão linear para cada período

Anova para o Periodo 1

Anova para o Periodo 2

Rodada de análise 2

Para o Período TOTAL

Análise de regressão linear para cada período

Anova para o Periodo TOTAL

Rodada 3

Gráfico ao longo do tempo para IPCA e oleo_soja_exp

Gráfico ao longo do tempo para IPCA e grao_soja_exp

Análise de correlação

Análise de regressão linear para óleo de soja

Anova para óleos de soja

Análise de regressão linear para grao de soja

Anova para grãos de soja

Bovinocultura

Gráfico ao longo do tempo para IPCA e Bovinocultura de Exportação

Análise de correlação

Análise de regressão linear para Bovinocultura Exportação e IPCA

Anova para Bovinocultura Exportação e IPCA

Gráfico ao longo do tempo para IPCA e Avicultura de Exportação

Análise de correlação

Análise de regressão linear para Avicultura Exportação e IPCA

Anova para Avicultura Exportação e IPCA

Análise Café

Gráfico ao longo do tempo para IPCA e Café Soluvel

Análise de correlação

Análise de regressão linear para Cafe Soluvel e IPCA

Anova para Cafe Soluvel e IPCA

Gráfico ao longo do tempo para IPCA e Café Torrado

Análise de correlação

Análise de regressão linear para Cafe Torrado e IPCA

Anova para Cafe Torrado e IPCA

Gráfico ao longo do tempo para IPCA e Carne Suina

Análise de regressão linear para Carne Suína e IPCA

Anova para Carne de porco e IPCA

Gráfico ao longo do tempo para IPCA e Miúdos Suínos

Análise de regressão linear para Miúdos Suínos Torrado e IPCA

Anova para Miúdos Suínos e IPCA

Análise Limão

Gráfico ao longo do tempo para IPCA e Limão

Análise de correlação

Análise de regressão linear para Limão e IPCA

Anova para Cafe Soluvel e IPCA

Análise Milho

Gráfico ao longo do tempo para IPCA e Milho

Análise de correlação

Análise de regressão linear para Milho e IPCA

Anova para Cafe Soluvel e IPCA

Análise Laranja

Gráfico ao longo do tempo para IPCA e Laranja

Análise de correlação

Análise de regressão linear para Limão e IPCA

Anova para Cafe Soluvel e IPCA

Correlação entre países (série toda).

Correlação entre países (por ano).