Ganhos:
- Capacidade de limpar dados econômicos brutos (observações faltantes, confusão de unidades, incompatibilidade de frequência) e prepará-los para análise com a ajuda da inteligência artificial
- Capacidade de imprimir transformações econômicas padrão, como conversão real-nominal, indexação, taxa de crescimento, ajuste sazonal como código em inteligência artificial e verificá-las manualmente
- Capacidade de reconhecer dados por meio de análise exploratória de dados (estatísticas resumidas, distribuição, valores discrepantes, correlação) e leitura crítica de resumos de inteligência artificial
Os dados económicos raramente vêm prontos para análise. Em uma tabela que você baixou do TURKSTAT faltam alguns meses, uma coluna vem como texto com mil colchetes, a taxa de câmbio está no formato turco como "1.234,56", uma série é mensal e a outra é trimestral. A maior parte do tempo do economista não é gasta em análise, mas em preparar os dados para análise. É aqui que a IA é um acelerador real e de baixo risco: sugere etapas de limpeza, escreve pandas (a biblioteca de processamento de dados do Python), codifica transformações económicas padrão. Mas esta unidade também tem uma regra imutável: você lê cada transformação escrita pela inteligência artificial e verifica-a manualmente em pelo menos uma observação. Se o ciclo real-nominal estiver em pé errado, toda a análise decairá silenciosamente.
Limpeza: quais problemas, como resolvê-los?
Os problemas mais comuns em dados económicos e sua lógica:
- Observação incompleta. Um mês/trimestre está vazio. A solução depende do contexto: se não existir de fato, fica em branco; Se houver uma lacuna técnica, é feita uma interpolação cuidadosa – mas a linha entre a fabricação é tênue.
- Confusão de unidades e formatos. O texto “12.345.6” deve ser convertido para um número; milhões/biliões devem tornar-se consistentes.
- Incompatibilidade de frequência. Para combinar uma série mensal e trimestral, uma é agregada (mensal para trimestral) — se é média, total ou de final de período depende da natureza do indicador (distinção estoque/fluxo).
- Valores discrepantes (extremos). Se uma observação se desviar muito: é um evento real (crise, aumento de preços) ou um erro de dados? É entendido antes da exclusão.
- Alinhamento de data. Os formatos de data e as definições de período de diferentes séries são sincronizados.
Atenção: Preencher dados faltantes parece inocente, mas é uma decisão econômica. Preencher um mês de crise com a “média dos meses vizinhos” significa excluir essa crise da análise. Antes de preencher, pergunte “por que existe essa lacuna?” Responda à pergunta.
Transformações econômicas padrão
Transformações e suas definições no repertório cotidiano de um economista:
- Nominal → Real. Ajuste pelo impacto nos preços: valor real = valor nominal/índice de preços × 100. O ano base do deflator (índice de ajuste) determina a base do resultado.
- Indexação. Redimensionar uma série para que um período selecionado = 100; É útil para comparar séries de tamanhos diferentes.
- Taxa de crescimento. Anual: (mesmo período deste período / ano passado − 1) × 100. Taxa periódica e anualizada são coisas diferentes; Confundir é um erro comum.
- Correção sazonal. Purificação dos efeitos sazonais regulares (turismo de verão, férias); A série bruta e a série ajustada sazonalmente contam histórias diferentes.
- Média móvel. Suavizando o ruído e tornando a tendência visível.
- Logaritmos e diferenciação. Examinar a dinâmica de crescimento e a estacionariedade (aprofundar-se-á na unidade de série temporal).
Dica: A cada conversão você será questionado "o que aconteceu com a unidade e a base?" perguntar. A base da série real é a base do deflator; A base da série indexada é o período que você escolher. Manter isso anotado evita erros futuros.
Análise exploratória de dados (EDA)
É necessário reconhecer os dados antes de inseri-los no modelo. A análise exploratória de dados (EDA) inclui: estatísticas resumidas (média, mediana, desvio padrão, min-max), formato da distribuição, evolução ao longo do tempo, outliers e correlação entre séries. A IA gera rapidamente o código para essas etapas; Sua tarefa é ler o resultado com um olhar econômico: "Esta média é razoável? Esta correlação é uma coincidência ou uma relação conhecida?"
Cuidado: A correlação é apenas um meio de identificação aqui, não uma prova de causalidade. O facto de duas séries se moverem juntas (por exemplo, vendas de gelados e afogamentos – ambos desencadeados pelo Verão) não indica necessariamente que uma conduza à outra. Aprofundaremos esta distinção na unidade 7.
três mini cases
Caso 1 — Base do deflator incorreta. Um analista fez com que a inteligência artificial escrevesse o código para realizar a série salarial. O código funcionou, o resultado parecia razoável — mas o analista calculou manualmente 2020 na etapa CALCULATE e não funcionou. Problema: a inteligência artificial utilizou o deflator com base 2003=100 e solicitou a série salarial com preços de 2015; As bases eram conflitantes. O código foi reparado com uma correção de linha única, toda a série se encaixou.
Caso 2 — Erro de volume silencioso. Uma instituição reduziu os dados de exportação em milhares de dólares e as importações em milhões de dólares. Quando a inteligência artificial retirou os dois para a “balança comercial externa”, o resultado foi um déficit absurdo. A visualização min-max no EDA revelou o erro: a ordem de grandeza das duas séries diferia por um fator de 1000. Uma vez equalizada a unidade, o equilíbrio estava correto.
Caso 3 — Não exclusão do outlier. Um mês consecutivo foi extraordinariamente baixo. AI sugeriu "outlier, vamos limpá-lo". O analista investigou: a produção realmente foi interrompida devido a um desastre natural naquele mês. O valor era real; Excluí-lo distorceria a história. Em vez de exclusão, foi anotado em nota de rodapé. A recomendação “clara” da IA não foi seguida cegamente.
Tabela de validação de conversão
Conversão
essência da fórmula
ponto de verificação manual
realização
nominal / índice de preços × 100
Base deflatora = base de resultado?
crescimento anual
(t / t-12 meses − 1)×100
Calcule um período no papel
indexação
série/período base × 100
O valor do período base é 100?
Mensal→trimestralmente
fluxo: coleta / estoque: final do período
Método de coleta correto?
média móvel
média do último n período
O comprimento da janela está correto?
Quatro modelos copiáveis
1) Plano de limpeza:
Eu tenho estes dados brutos: [colunas e linhas de amostra]. Elabore um plano de limpeza para se preparar para a análise: valor ausente, problema de unidade/formato, alinhamento de data, alinhamento de frequência, possíveis discrepâncias. Explique em uma frase por que cada etapa é necessária. Não escreva código ainda; deixe-me confirmar o plano primeiro.
2) código de limpeza do pandas:
Escreva o código do pandas de acordo com o plano que aprovei. Deixe o código indicar o que faz em cada etapa com uma linha de comentário; Imprime o número de linhas e valores ausentes após a conversão. Não apague silenciosamente nenhuma observação; Relate cada linha que você excluir.
3) Realização (verificável):
Realize esta série nominal com [índice de preços]. Escreva claramente o ano base do deflator ao usá-lo; Especifique qual é a base da série resultante. Mostre-me a conta passo a passo por um único período para que eu possa verificá-la manualmente.
4) Resumo da análise exploratória:
Escreva o código de análise exploratória para os seguintes dados limpos: estatísticas resumidas, gráfico de série temporal, verificação de valores discrepantes e matriz de correlação. Ao interpretar os resultados, deixe claro que as correlações que você encontrar não são CAUSAIS e liste 3 pontos que me chamam a atenção.
Alerta fraco / Alerta forte
Alerta fraco:
Limpe esses dados.
A IA age com suposições sem saber o que limpar; Você pode excluir observações, alterar unidades, você não notará.
Alerta poderoso:
Nestes dados mensais de comércio exterior, as exportações estão em “mil dólares” e as importações estão em “milhões de dólares”. Faça os dois iguais em “milhões de dólares”, marque os meses que faltam, mas NÃO PREENCHA, alinhe as datas com o final do mês. Imprima quantas linhas são afetadas em cada etapa; silenciosamente não exclua nenhuma linha. Em seguida, mostre o saldo de um único mês de uma forma que eu possa verificar manualmente.
Erros comuns
- Executando o código de conversão sem lê-lo. A base/unidade errada corrompe silenciosamente toda a análise.
- Preenchendo dados faltantes sem pensar. Apagando o período de crise/desastre com a média.
- Descartar automaticamente valores discrepantes. Confundir um evento real com um erro de dados.
- Confundir crescimento sazonal e anual. Os dois são tamanhos diferentes.
- Combinando frequências incorretamente. Coletando a série de estoque e processando-a como um fluxo.
- Confundindo a correlação na EDA com causalidade. Confundir a ferramenta de reconhecimento com evidência.
Resumindo
A limpeza e transformação de dados são os 80% invisíveis, mas decisivos, da análise económica. A inteligência artificial acelera dramaticamente esse trabalho mecânico; mas cabe a você ler cada etapa de limpeza e cada transformação e verificar manualmente pelo menos uma observação. As decisões de base, unidade, frequência e valores discrepantes do deflator são decisões económicas e não podem ser deixadas cegamente à inteligência artificial. A análise exploratória introduz dados, mas a correlação não é causalidade.
Tarefa de aplicativo
Baixe uma série bruta real (por exemplo, IPC mensal e uma série de salário/renda nominal). Crie um plano de limpeza com o 1º modelo, gere o código com o 2º modelo e realize a série com o 3º modelo. Em seguida, calcule o valor real de um único período no papel e compare-o com o resultado da inteligência artificial. Se você encontrar uma incompatibilidade, diagnostique e corrija sua origem (base/unidade) e observe o progresso.
lista de verificação
- [] Revisei e aprovei o plano de limpeza antes de o código ser escrito.
- [ ] Tive todas as linhas deletadas/alteradas pela inteligência artificial reportadas; Nenhuma exclusão silenciosa.
- [ ] Ao preencher dados faltantes você pode perguntar "por que está vazio?" Eu respondi à pergunta.
- [] Investiguei se o outlier era um evento real ou um erro de dados.
- [] Na realização, verifiquei que a base do deflator e a base do resultado coincidem.
- [ ] Recalculei manualmente a conversão de pelo menos um período.
- [ ] Não apresentei correlações na EDA como causalidade.