A convergência da inflação foi para o R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A inflação medida pelo IPCA chegou a 4,08% a.a. no acumulado em 12 meses terminados em abril. É o menor patamar desde 2007. Com efeito, parece consolidada a convergência da inflação para a meta. Para ilustrar essa convergência, produzimos o gráfico abaixo, com o auxílio do R, utilizando o pacote rbcb.

library(ggplot2)
library(rbcb)
library(scales)

ipca12m = get_series(13522, start_date='2015-12-01')

ipca12m = as.data.frame(ipca12m)
colnames(ipca12m) = c('date', 'ipca')
ipca12m$date = as.Date(ipca12m$date, format='%d/%m/%Y')

ggplot(ipca12m, aes(x=date, y=ipca))+
 annotate("rect", fill = "gray", alpha = 0.5, 
 xmin = as.Date('2016-08-01'), 
 xmax = as.Date('2017-04-01'),
 ymin = -Inf, ymax = Inf)+
 geom_line(size=.8)+
 geom_hline(aes(yintercept=4.5), colour='red', size=.8)+
 scale_y_discrete(limits=4:11)+
 scale_x_date(breaks = date_breaks("2 months"),
 labels = date_format("%m/%Y"))+
 theme_bw()+xlab('')+ylab('% a.a.')+
 labs(title='Inflação medida pelo IPCA',
 subtitle='acumulada em 12 meses',
 caption='Fonte: analisemacro.com.br com dados do IBGE.')+
 geom_point(size=12, shape=21, colour="#1a476f", fill="white")+
 geom_text(aes(label=ipca), size=3, 
 hjust=0.5, vjust=0.5, colour="darkblue")+
 annotate('text', x=as.Date('2016-04-01'), y=4.8, 
 label='Meta de Inflação: 4,5%',
 colour='red', size=4)

E o resultado...

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/05/plot01.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="2_3"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A convergência se dá em um momento de provável queda da inércia e de expectativas ancoradas, principais determinantes da inflação, como mostra a tabela ao lado. Nela, rodamos a Curva de Phillips abaixo:

(1)   \begin{equation*} \pi_{t} = \beta_0 + \beta_1 \pi_{t-1} + \beta_2 E_t \pi_{t+1} + \beta_3 hiato_{t-1} + \varepsilon_t \end{equation*}

Onde \pi_t é a inflação medida pelo IPCA acumulada em 12 meses, E_t \pi_{t+1} é a expectativa para a inflação nos próximos 12 meses e hiato_{t-1} é o hiato do produto. Em outras palavras, a despeito do que se pode querer acreditar, o hiato do produto, a diferença entre o PIB efetivo e o PIB potencial, possui pouco impacto sobre a inflação brasileira, sendo a inércia medida pela primeira defasagem e as expectativas preponderantes para explicá-la.

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/macroeconometria/" url_new_window="off" button_text="Clique abaixo para conhecer nosso Curso de Macroeconometria usando o R " button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2016/11/macroeconometria.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/macroeconometria/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][et_pb_column type="1_3"][et_pb_code admin_label="Código"]<table style="text-align:center"><tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"></td><td><em>Dependent variable:</em></td></tr> <tr><td></td><td colspan="1" style="border-bottom: 1px solid black"></td></tr> <tr><td style="text-align:left"></td><td>inflação</td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">lag(inflação, -1)</td><td>0.935<sup>***</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.025)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">expectativa</td><td>0.105<sup>**</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.050)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">lag(hiato, -1)</td><td>0.034<sup>***</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.013)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">Constant</td><td>-0.133</td></tr> <tr><td style="text-align:left"></td><td>(0.171)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Observations</td><td>119</td></tr> <tr><td style="text-align:left">R<sup>2</sup></td><td>0.974</td></tr> <tr><td style="text-align:left">Adjusted R<sup>2</sup></td><td>0.973</td></tr> <tr><td style="text-align:left">Residual Std. Error</td><td>0.280 (df = 115)</td></tr> <tr><td style="text-align:left">F Statistic</td><td>1,429.549<sup>***</sup> (df = 3; 115)</td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"><em>Note:</em></td><td style="text-align:right"><sup>*</sup>p<0.1; <sup>**</sup>p<0.05; <sup>***</sup>p<0.01</td></tr> </table>[/et_pb_code][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.