Relatório #29 - IPCA, PMS e IBC-br

No Relatório AM dessa semana, iremos falar sobre três indicadores: o IPCA, a Pesquisa Mensal de Serviços e o IBC-br.

Variação do IPCA

O IPCA do mês de novembro teve variação de 0,95%. Um resultado melhor que o esperado, considerando que o mercado financeiro projetava uma variação maior que a configurada. Podemos ver a desaceleração através do gráfico.

Inflação acumulada

O índice acumulado em 12 meses configurou em uma variação de 10,74%. Podemos compará-la com as metas de inflação e a média dos núcleos de inflação.

Contribuição dos Grupos para a Inflação mensal

No mês, vemos que o grupo de Transporte ainda persiste na contribuição para a alta da inflação medida pelo IPCA no Brasil, boa parte causada pelo aumento do preço da gasolina. Por outro lado, vemos que alimentação e bebidas configurou um resultado negativo.

PMS

Na semana, ocorrerá a divulgação da Pesquisa Mensal de Serviços. Podemos dar uma olhada no seus resultados nos últimos meses.

Vemos que há quedas na variação mensal, interanual. Na variação anual tem-se a variação positiva, devido ainda pelos resultados negativos do último ano.

IBC-br

Na semana também teremos o resultados do IBC-br. Como podemos ver, nos últimos meses temos resultados negativos na variação marginal.

________________________

(*) Para entender mais sobre análise de conjuntura econômica, confira nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

________________________

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.