Breve nota: por que o IPCA veio estável em julho?

alimentosdesagregadoO Ministro Mantega fará pronunciamento em breve sobre o resultado do IPCA em julho. Provavelmente a presidenta falará algo também em seus discursos. O resultado de 0,03% em relação ao mês anterior será comemorado, enfim. Para economistas sérios, como nós, entretanto, o resultado de julho é explicado por alimentos e transportes. Desagregando o índice pelos nove grupos que o compõem, é possível verificar que os primeiros contribuiram com -264%, enquanto que os segundos contribuiram com -410%. Aquele explicado pelos efeitos da safra recorde que tem sido auferida nesse ano, este pelos subsídios incluídos na tarifa de transporte, por conta das manifestações. Nenhum, entretanto, fruto de resolução do processo adjacente da inflação. Até o mês passado, como notei aqui, o grupo alimentos representava 40% da variação do índice em 12 meses na média mensal: em julho esse percentual caiu para 16% (gráfico ao lado)! Entretanto, o índice cheio permanece teimosamente situado em 6,27% no acumulado em 12 meses, a despeito dessa desaceleração pontual. No segundo semestre, a acompanhar o repasse da desvalorização cambial para os preços domésticos. Será que os alimentos compensarão esse efeito?

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como choques inflacionários afetam a previsão da Selic?

Como mensurar a importância de choques na inflação sobre o erro de previsão da taxa de juros? Neste exercício quantificamos esta pergunta sob a ótica de um modelo VAR, usando dados recentes da macroeconomia brasileira. Especificamente, estimamos a decomposição da variância dos erros de previsão do modelo, analisando choques na inflação da gasolina e sua importância sobre a variância dos erros de previsão da taxa Selic.

Modelo de previsão para o preço da gasolina

Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação Python.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.