Hace unos días un compañero de la universidad me preguntó si sabía como descargar datos de índole económica y/o financiera con R o si sabía de paquetes específicos para ello; así que en este post he decidido recopilar algunos de los paquetes que uso habitualmente y cumplen con esta función.
Principales paquetes para descargar datos económicos y financieros
Empezamos la lista con quantmod (https://www.quantmod.com/); este paquete permite acceder a datos desde Yahoo Finance, Oanda,Google Finance o FRED (la Reserva Federal de Estados Unidos). Asimismo, está diseñado para ayudar al tradero analistas en finanzas cuantitativas.
En entradas anteriores, hay ejemplos claros de como descargar datos de divisas desde Oanda o datos económicos desde la FRED.
Igualmente, tenemos el paquete fImport (https://cran.r-project.org/web/packages/fImport/fImport.pdf); paquete que también facilita importar datos desde Yahoo Finance, Oanda o FRED.
Por otro lado, si queremos acceder a datos del Banco Mundial, hay dos paquetes que nos pueden ayudar. El primero de ellos es wbstats, el cual permite buscar y descargar datos estadísticos desde la API. El segundo, realiza una labor similar, WDI (https://cran.r-project.org/web/packages/WDI/index.html).
Ejemplo de descarga de datos con wbstats
A continuación un breve ejemplo.
Previamente instalado el paquete, y cargada la librería de wbstats, procederemos a descargar datos:
Si estamos interesados en buscar indicadores relacionados con el desempleo, basta con ingresar la siguiente línea y obtenemos un data frame con todos los indicadores disponibles:
wbsearch(pattern = "unemployment", fields = "indicator")
## indicatorID ## 2569 SL.UEM.TOTL.ZS ## 2570 SL.UEM.TOTL.NE.ZS ## 2571 SL.UEM.TOTL.MA.ZS ## 2572 SL.UEM.TOTL.MA.NE.ZS ## 2573 SL.UEM.TOTL.FE.ZS ## 2574 SL.UEM.TOTL.FE.NE.ZS ## 2576 SL.UEM.TERT.ZS ## 2577 SL.UEM.TERT.MA.ZS ## 2578 SL.UEM.TERT.FE.ZS ## 2579 SL.UEM.SECO.ZS ## 2580 SL.UEM.SECO.MA.ZS ## 2581 SL.UEM.SECO.FE.ZS ## 2582 SL.UEM.PRIM.ZS ## 2583 SL.UEM.PRIM.MA.ZS ## 2584 SL.UEM.PRIM.FE.ZS ## 2588 SL.UEM.LTRM.ZS ## 2589 SL.UEM.LTRM.MA.ZS ## 2590 SL.UEM.LTRM.FE.ZS ## 2591 SL.UEM.1524.ZS ## 2592 SL.UEM.1524.NE.ZS ## 2593 SL.UEM.1524.MA.ZS ## 2594 SL.UEM.1524.MA.NE.ZS ## 2595 SL.UEM.1524.FM.ZS ## 2596 SL.UEM.1524.FM.NE.ZS ## 2597 SL.UEM.1524.FE.ZS ## 2598 SL.UEM.1524.FE.NE.ZS ## 7868 per_lm_alllm.adq_pop_tot ## 14218 ccx_yaurr_pop_urb ## 14219 ccx_yaurr_pop_tot ## 14220 ccx_yaurr_pop_rur ## 14221 ccx_yaurr_pop_mal ## 14222 ccx_yaurr_pop_fem ## 14244 ccx_unempr_pop_you ## 14245 ccx_unempr_pop_wrk ## 14246 ccx_unempr_pop_urb ## 14247 ccx_unempr_pop_tot ## 14248 ccx_unempr_pop_rur ## 14249 ccx_unempr_pop_mal ## 14250 ccx_unempr_pop_fem ## 14251 ccx_unempr_pop_eld ## indicator ## 2569 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 2570 Unemployment, total (% of total labor force) (national estimate) ## 2571 Unemployment, male (% of male labor force) (modeled ILO estimate) ## 2572 Unemployment, male (% of male labor force) (national estimate) ## 2573 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 2574 Unemployment, female (% of female labor force) (national estimate) ## 2576 Unemployment with tertiary education (% of total unemployment) ## 2577 Unemployment with tertiary education, male (% of male unemployment) ## 2578 Unemployment with tertiary education, female (% of female unemployment) ## 2579 Unemployment with secondary education (% of total unemployment) ## 2580 Unemployment with secondary education, male (% of male unemployment) ## 2581 Unemployment with secondary education, female (% of female unemployment) ## 2582 Unemployment with primary education (% of total unemployment) ## 2583 Unemployment with primary education, male (% of male unemployment) ## 2584 Unemployment with primary education, female (% of female unemployment) ## 2588 Long-term unemployment (% of total unemployment) ## 2589 Long-term unemployment, male (% of male unemployment) ## 2590 Long-term unemployment, female (% of female unemployment) ## 2591 Unemployment, youth total (% of total labor force ages 15-24) (modeled ILO estimate) ## 2592 Unemployment, youth total (% of total labor force ages 15-24) (national estimate) ## 2593 Unemployment, youth male (% of male labor force ages 15-24) (modeled ILO estimate) ## 2594 Unemployment, youth male (% of male labor force ages 15-24) (national estimate) ## 2595 Ratio of female to male youth unemployment rate (% ages 15-24) (modeled ILO estimate) ## 2596 Ratio of female to male youth unemployment rate (% ages 15-24) (national estimate) ## 2597 Unemployment, youth female (% of female labor force ages 15-24) (modeled ILO estimate) ## 2598 Unemployment, youth female (% of female labor force ages 15-24) (national estimate) ## 7868 Adequacy of unemployment benefits and ALMP (% of total welfare of beneficiary households) ## 14218 Youth to adult unemployment rate - urban ## 14219 Youth to adult unemployment rate in total population ## 14220 Youth to adult unemployment rate - rural ## 14221 Youth to adult unemployment rate - male ## 14222 Youth to adult unemployment rate - female ## 14244 Unemployment rate - youth ## 14245 Unemployment rate - working age ## 14246 Unemployment rate - urban ## 14247 Unemployment rate in total population ## 14248 Unemployment rate - rural ## 14249 Unemployment rate - male ## 14250 Unemployment rate - female ## 14251 Unemployment rate - elderly
Así que, si al ver todas las opciones disponibles nos interesa la tasa de desempleo total, la tasa de desempleo masculina y la tasa de desempleo femenina buscamos los ID de dichos indicadores y procedemos a descargar los datos, por ejemplo, para España desde el año 1950 hasta el año 2016. Pero primero, debemos buscar los códigos de los países, aquí introduciremos los códigos de los países acorde a iso3c:
unemp_fe<- wb(country = "ESP",
indicator =c("SL.UEM.TOTL.ZS","SL.UEM.TOTL.MA.ZS",
"SL.UEM.TOTL.FE.ZS"),
startdate = 1950, enddate = 2016, POSIXct = TRUE)
Para verificar los datos, podemos mirar las primeras y últimas 10 observaciones, como también, echar un vistazo a los estadísticos principales y conocer el tipo de dato:
head(unemp_fe,10)
## value date indicatorID ## 1 19.447 2016 SL.UEM.TOTL.ZS ## 2 22.057 2015 SL.UEM.TOTL.ZS ## 3 24.441 2014 SL.UEM.TOTL.ZS ## 4 26.094 2013 SL.UEM.TOTL.ZS ## 5 24.787 2012 SL.UEM.TOTL.ZS ## 6 21.391 2011 SL.UEM.TOTL.ZS ## 7 19.860 2010 SL.UEM.TOTL.ZS ## 8 17.857 2009 SL.UEM.TOTL.ZS ## 9 11.255 2008 SL.UEM.TOTL.ZS ## 10 8.232 2007 SL.UEM.TOTL.ZS ## indicator ## 1 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 2 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 3 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 4 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 5 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 6 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 7 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 8 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 9 Unemployment, total (% of total labor force) (modeled ILO estimate) ## 10 Unemployment, total (% of total labor force) (modeled ILO estimate) ## iso2c country date_ct granularity ## 1 ES Spain 2016-01-01 annual ## 2 ES Spain 2015-01-01 annual ## 3 ES Spain 2014-01-01 annual ## 4 ES Spain 2013-01-01 annual ## 5 ES Spain 2012-01-01 annual ## 6 ES Spain 2011-01-01 annual ## 7 ES Spain 2010-01-01 annual ## 8 ES Spain 2009-01-01 annual ## 9 ES Spain 2008-01-01 annual ## 10 ES Spain 2007-01-01 annual
tail(unemp_fe,10)
## value date indicatorID ## 131 20.287 2000 SL.UEM.TOTL.FE.ZS ## 132 22.741 1999 SL.UEM.TOTL.FE.ZS ## 133 26.481 1998 SL.UEM.TOTL.FE.ZS ## 134 27.829 1997 SL.UEM.TOTL.FE.ZS ## 135 29.336 1996 SL.UEM.TOTL.FE.ZS ## 136 30.311 1995 SL.UEM.TOTL.FE.ZS ## 137 31.348 1994 SL.UEM.TOTL.FE.ZS ## 138 28.488 1993 SL.UEM.TOTL.FE.ZS ## 139 25.028 1992 SL.UEM.TOTL.FE.ZS ## 140 23.074 1991 SL.UEM.TOTL.FE.ZS ## indicator ## 131 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 132 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 133 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 134 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 135 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 136 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 137 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 138 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 139 Unemployment, female (% of female labor force) (modeled ILO estimate) ## 140 Unemployment, female (% of female labor force) (modeled ILO estimate) ## iso2c country date_ct granularity ## 131 ES Spain 2000-01-01 annual ## 132 ES Spain 1999-01-01 annual ## 133 ES Spain 1998-01-01 annual ## 134 ES Spain 1997-01-01 annual ## 135 ES Spain 1996-01-01 annual ## 136 ES Spain 1995-01-01 annual ## 137 ES Spain 1994-01-01 annual ## 138 ES Spain 1993-01-01 annual ## 139 ES Spain 1992-01-01 annual ## 140 ES Spain 1991-01-01 annual
summary(unemp_fe)
## value date indicatorID indicator ## Min. : 6.36 Length:78 Length:78 Length:78 ## 1st Qu.:11.53 Class :character Class :character Class :character ## Median :18.09 Mode :character Mode :character Mode :character ## Mean :17.81 ## 3rd Qu.:22.72 ## Max. :31.35 ## iso2c country date_ct ## Length:78 Length:78 Min. :1991-01-01 ## Class :character Class :character 1st Qu.:1997-01-01 ## Mode :character Mode :character Median :2003-07-02 ## Mean :2003-07-02 ## 3rd Qu.:2010-01-01 ## Max. :2016-01-01 ## granularity ## Length:78 ## Class :character ## Mode :character ## ## ##
Para finalizar hacemos un gráfico de la evolución de dichos indicadores con ggplot2:
library(ggplot2)
ggplot(unemp_fe, aes(x = date_ct, y = value, colour = indicator)) + geom_line(size = 1) +
labs(title = "Unemployment Rate", x = "Date", y = "Rate")
Y ahora, ¿qué podemos intuir?
Claramente se observa como la tasa de desempleo masculina está por debajo de la tasa total, mientras que la tasa de desempleo femenina se ubica por encima del total. Patrón que se ha mostrado y mantenido a lo largo de los años.
Otro rasgo que se puede apreciar (y que todos sabemos), es el fuerte incremento en las tasas de desempleo debido a la crisis financiera de los últimos años.
¿Te ha parecido útil? ¡Puntúa esta entrada!
¡Haz clic en una estrella para puntuar!
Promedio de puntuación 4.2 / 5. Recuento de votos: 5
Hasta ahora, ¡no hay votos!. Sé el primero en puntuar este contenido.