Análise estatística do IPCA-15 com o R

O IPCA-15 é o primo do IPCA, o Índice de Preços ao Consumidor Amplo, principal índice de preços do país, que serve de referência para o regime de metas para inflação conduzido pelo Banco Central. A diferença entre um e outro se dá apenas pelo período de coleta, o IPCA-15 abrange o período de 16 do mês anterior até 15 do mês de referência, e pela abrangência geográfica. O acompanhamento do índice serve, por suposto, como boa prévia para verificar a inflação medida pelo IPCA.

Os dados do IPCA-15 podem ser facilmente baixados diretamente do site do SIDRA/IBGE, conforme o código a seguir.


library(tidyverse)
library(scales)
library(ggrepel)
library(png)
library(grid)
library(sidrar)
library(forecast)
library(tstools)

ipca15 = get_sidra(api='/t/3065/n1/all/v/355/p/all/d/v355%202') %>%
mutate(date = parse_date(`Mês (Código)`, format='%Y%m')) %>%
select(date, Valor) %>%
as_tibble()

Uma vez que os dados tenham sido baixados, é possível construir um gráfico como o abaixo, que ilustra a inflação acumulada em 12 meses medida pelo IPCA-15, bem como ilustra os limites da meta de inflação instituídos pelo Conselho Monetário Nacional (CMN). Os códigos dessa parte do exercício estão disponíveis para os membros do Clube AM.

Esse tipo de gráfico é interessante porque com ele é imediato verificar se a inflação medida pelo índice está dentro dos limites de tolerância estabelecidos pelo CMN. Como se vê, a inflação na ponta - janeiro de 2021 - encontra-se acima da meta de inflação, que para esse ano é de 3,75%.

Assim como o seu primo, o IPCA-15 também apresenta uma sazonalidade bastante aparente ao longo do ano, como pode ser visto abaixo.

Uma outra informação interessante sobre o índice reside na sua distribuição. Observe o boxplot abaixo.

A mediana do índice, para uma amostra que começa em janeiro de 200, está em 0,42%, enquanto a sua média está em 0,45%. O 1º quartil termina em 0,23% e o 3º quartil termina em 0,64%, o que dá um IQR de 0,41 pontos percentuais. Dado esse comportamento da média e da mediana, temos um histograma como o abaixo.

Dado o que foi dito anteriormente, temos uma assimetria à direita nos dados do IPCA-15. Essa análise exploratória dos dados do índice, diga-se, é de suma importância para construirmos um modelo adequado de previsão para o mesmo. É o que faremos em exercícios futuros dentro do Clube AM.

_________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

Criando Tabelas com o Python: mostrando o poder da linguagem sobre o Excel

Nos dias atuais, pessoas que trabalham com dados estão constantemente confrontados com um dilema: criar uma tabela não tão genial no Excel ou manter em um formato ainda pior, como um dataframe, mas mantendo a flexibilidade de obtenção dos dados. Podemos resolver esse grande problema, unindo a flexibilidade e beleza ao usar a biblioteca great_tables do 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.