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~
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~
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)
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
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
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'
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
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
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)
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
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
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'
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
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
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
ipca %>%
select(-Ano) %>%
cor()
## IPCA pExp
## IPCA 1.0000000 0.9715823
## pExp 0.9715823 1.0000000
ipca %>%
ggplot(aes(x=pExp, y=IPCA)) +
geom_point()+
geom_smooth(method = "lm")
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
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~
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"))
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"))
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
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'
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
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'
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
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~
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"))
dados %>%
select(-ano) %>%
cor()
## IPCA precoExpor
## IPCA 1.0000000 0.9723961
## precoExpor 0.9723961 1.0000000
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'
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~
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"))
dados %>%
select(-ano) %>%
cor()
## IPCA precoExp
## IPCA 1.000000 0.960948
## precoExp 0.960948 1.000000
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'
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
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~
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"))
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
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'
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 (0.95).
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
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"))
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
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'
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 (0.94).
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
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"))
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'
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 (0.95).
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
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"))
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'
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 (0.90).
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
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,~
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"))
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
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'
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 (0.5961).
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
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"))
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
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'
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 (0.8155).
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
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~
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"))
dados |>
select(-ano) |>
cor()
## laranja_IPCA laranja_exp
## laranja_IPCA 1.0000000 0.8693342
## laranja_exp 0.8693342 1.0000000
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'
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 (0.75).
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
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" )
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" )