As três grandes desinflações do Plano Real

[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 Índice de Preços ao Consumidor Amplo (IPCA) terminou 2017 em 2,95%, a segunda menor desde a implantação do Plano Real, em 1994. Ela encerra também um dos três grandes processos de desinflação desde o advento do plano. A primeira ocorreu entre 1994 e 1998, quando a inflação saiu de inacreditáveis 916,46% no acumulado em doze meses até dezembro de 1994 e terminou em dezembro de 1998 em 1,65%. A segunda ocorreu entre 2002 e 2006, quando a inflação saiu de 12,53% para 3,14%. Nesse último, a inflação foi a 10,67% em 2015, retornando a patamares civilizados em dezembro último. O código e o gráfico abaixo ilustram esses três períodos.


library(ggplot2)
library(scales)
library(BETS)
library(TStools)

infanual = BETS.get(13522, from='1994-12-01')

seas = seasplot(infanual, trend=F, outplot = 3)

dezembro = as.numeric(seas$season[,12])

dezembro = dezembro[-length(dezembro)]

time = seq(as.Date('1995-01-01'), as.Date('2017-01-01'), by='1 year')

df1 = data.frame(time=time, dezembro=dezembro)

# Gráfico
ggplot(df1, aes(time, dezembro))+
 annotate("rect", fill = "orange", alpha = 0.2, 
 xmin = as.Date('1994-06-01'), 
 xmax = as.Date('1998-06-01'),
 ymin = -Inf, ymax = Inf)+
 annotate("rect", fill = "red", alpha = 0.2, 
 xmin = as.Date('2001-06-01'), 
 xmax = as.Date('2006-06-01'),
 ymin = -Inf, ymax = Inf)+
 annotate("rect", fill = "blue", alpha = 0.2, 
 xmin = as.Date('2014-06-01'), 
 xmax = as.Date('2017-06-01'),
 ymin = -Inf, ymax = Inf)+
 geom_bar(stat='identity', fill='darkblue', width = 200)+
 geom_text(aes(label=round(dezembro,2)), colour='red', 
 vjust=ifelse(dezembro \>= 0, -0.4, 1),
 size=3)+
 xlab('')+ylab('% a.a.')+
 labs(title='Inflação anual medida pelo IPCA',
 caption='Fonte: analisemacro.com.br com dados do IBGE.')+
 scale_x_date(breaks = date_breaks("1 years"),
 labels = date_format("%Y"))+
 theme(axis.text.x=element_text(angle=45, hjust=1))

Tomare que não precisemos de um quarto grande processo desinflacionário, não é mesmo, leitor? 🙂

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/01/cursosR.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" 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_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Retropolando a série do desemprego no Brasil

Nosso objetivo neste exercício será estender a taxa de desemprego fornecida pela Pesquisa de Nacional por Amostra de Domicílios Contínua (PNAD Contínua) através daquela fornecida pela Pesquisa Mensal de Emprego (PME). Serão construídas duas séries: uma normal, outra dessazonalizada. Faremos todo o exercício utilizando o Python.

Variáveis Instrumentais no R: qual o impacto do gasto de segurança no crime?

Diversos métodos econométricos têm como principal finalidade melhorar o processo de investigar o efeito de uma variável sobre a outra, e um importante método encontra-se no uso de Variáveis Instrumentais na análise de regressão linear. Mas como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto?

Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em R, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

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.