Estimando a NAIRU Implícita no Python: hiato e desemprego
Este artigo apresenta um exercício prático de macroeconomia aplicada utilizando Python para investigar a relação entre o nível de atividade econômica e o mercado de trabalho no Brasil. O estudo detalha o processo de coleta automatizada do Hiato do Produto do Banco Central e a construção de uma série histórica longa de desemprego (unificando PME e PNAD Contínua). Através de técnicas de ajuste sazonal (X-13ARIMA-SEATS) e modelagem econométrica, estima-se a NAIRU (Taxa de Desemprego Não Aceleradora da Inflação) implícita da economia brasileira em 9,46%, confirmando a forte correlação negativa prevista pela Lei de Okun.
Mudança de preços: a inflação item a item do IPCA
Este artigo explora a dinâmica de preços da economia brasileira para além do índice cheio do IPCA. Utilizando a linguagem Python e dados oficiais do IBGE, ensinamos como calcular e visualizar a Inflação Acumulada e a Inflação Relativa de itens específicos desde o ano 2000. A análise revela a discrepância entre bens que se tornaram relativamente mais baratos, como tecnologia, e serviços que encareceram acima da média, como educação e saúde.
Índice de condições financeiras no Python: replicando o do BCB
Este exercício apresenta a construção e decomposição do Índice de Condições Financeiras (ICF) para a economia brasileira, utilizando a linguagem Python. Baseado na abordagem do Banco Central do Brasil, o estudo automatiza a coleta de dados públicos e aplica a Análise de Componentes Principais (PCA) para segregar o índice em sete grupos de ativos, como juros locais, juros externo, risco, etc. A análise permite identificar quais vetores estão atuando sobre a economia, oferecendo um diagnóstico preciso sobre a virada do ciclo financeiro observada no início de 2026.
Atualização de resultados dos modelos de inflação da AM: Janeiro/2026
O IPCA de janeiro veio em +0,33% na variação mensal. O valor veio abaixo da previsão da Análise Macro, de +0,50%.
Como Medir o Ciclo de Crédito no Python | Passo a Passo
Um tutorial completo para medir o ciclo das concessões de crédito no Brasil usando Python. Coletamos os dados do BCB e do IBGE, deflacionamos pelo IPCA, removemos a sazonalidade com o X-13ARIMA-SEATS e extraímos o ciclo com o Filtro Hodrick-Prescott. Ao final, uma regressão confirma que o crédito é pró-cíclico com a atividade e contracíclico com os juros, com dados que vão até meados de 2026.
