Inflação vs. Desemprego no Brasil

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="19" use_border_color="off" border_color="#ffffff" border_style="solid"]

Uma das relações empíricas consagradas na teoria econômica é a correlação negativa existente entre desemprego e taxa de inflação. Isto é, quando o desemprego aumenta, espera-se que a inflação cheia diminua, dado que haverá menos demanda por bens e serviços. Para mostrar essa relação, podemos fazer uso do R - conheça nossos Cursos Aplicados de R - para baixar dados reais de desemprego e inflação no Brasil. O código a seguir faz uso do pacote BETS para baixar a taxa de desemprego medida pela PNAD Contínua e a inflação cheia medida pelo IPCA. Ambas as séries estão disponíveis no Banco Central.


library(BETS)

desemprego = BETS.get(24369, from='2012-03-01', to='2017-11-01')
inflacao = BETS.get(13522, from='2013-03-01')

O truque aqui, de modo a obter uma relação mais interessante entre as variáveis é tomar o desemprego com defasagem de 12 meses. Isso porque, certamente o aumento do desemprego terá efeito sobre a inflação, mas não imediatamente, apenas com algum tempo, o aumento do desemprego contribuirá para reduzir a inflação. Isso feito, podemos criar um gráfico de correlação entre as variáveis, com o código abaixo.


data = data.frame(desemprego=desemprego, inflacao=inflacao)

ggplot(data, aes(desemprego, inflacao))+
geom_point(size=3, colour='darkblue')+
geom_smooth(method = 'auto')+
xlab('Taxa de Desemprego (t-12) (PNAD Contínua)')+
ylab('Inflação 12 meses (IPCA)')+
labs(title='Inflação vs. Desemprego (t-12) no Brasil',
subtitle='Fonte: analisemacro.com.br com dados do BCB.')

E abaixo o gráfico...

 

Simples e rápido, não? Aprenda a lidar com dados reais através dos nossos Cursos Aplicados de R.

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação 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.