Análise do IBC-Br com o R

A deflação de setembro e a divulgação da POF 2017-2018, que traz novos pesos para os grupos do IPCA, trouxeram revisões importantes para a inflação nesse e no próximo ano. A expectativa para a inflação medida pelo IPCA em 2019 caiu de 3,42% para 3,28%, enquanto para o ano que vem a revisão foi de 3,78% para 3,73%. Esse último dado deve cair mais, à medida que as instituições avaliem melhor o impacto deflacionário da POF no ano que vem. Em outras palavras, há uma avenida aberta para a redução da Selic.

Hoje, a propósito, o Banco Central divulgou o seu IBC-Br, que busca avaliar o nível de atividade com base em pesquisas de periodicidade mensal. É um espécie de sumário das pesquisas recém divulgadas: PIM-PF, PMS e PMC. A tabela abaixo resume os dados do índice nos últimos três meses.

Variação do IBC-Br (%)
Mensal Trimestral Interanual Anual
Jun/19 0,32 -0,14 -1,47 1,15
Jul/19 -0,07 0,92 1,62 1,13
Ago/19 0,07 0,90 -0,73 0,87

Como se vê, o resultado de agosto mostra por um lado um avanço na margem - contra o mês anterior - e uma retração na comparação interanual - contra o mesmo mês do ano anterior. No acumulado em 12 meses, o índice cresceu 0,87% até agosto, na comparação com os 12 meses anteriores. Abaixo, um resumo da evolução das principais métricas calculadas a partir dos números-índices do IBC-Br.

 

No nosso Curso de Análise de Conjuntura usando o R, nós temos uma apresentação completa sobre como tratar o índice. Ela está disponível aqui.

________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

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.