IPA Agro vs. Alimentação no Domicílio

O Índice de Preços por Atacado-Oferta Global (IPA-OG), no seu corte restrito aos produtos agrícolas, tem avançado de forma bastante pronunciada nos últimos meses. Em setembro, por exemplo, o índice variou 8,57%, o que no acumulado em 12 meses gerou uma variação de 46,2%. Dada a sua relação com os índices ao consumidor, não é de se estranhar que a última edição do Relatório de Inflação do Banco Central tenha contido um box sobre o assunto. Nesse Comentário de Conjuntura, vamos mostrar como coletar os dados do IPA e da Inflação no Domicílio a partir do Sistema de Séries Temporais do Banco Central e do SIDRA/IBGE. São assuntos, diga-se, que eu ensino no nosso Curso de Análise de Conjuntura usando o R.

script começa carregando alguns pacotes de R:


###########################################################
################## IPA vs. IPCA ##########################

library(sidrar)
library(tidyverse)
library(tstools)
library(BETS)

Uma vez carregados os pacotes, podemos usar o pacote sidrar para coletar os dados da alimentação no domícilio dentro do Índice de Preços ao Consumidor Amplo (IPCA).


alim_dom_01 =
get_sidra(api='/t/1419/n1/all/v/63/p/all/c315/7171/d/v63%202')

alim_dom_02 =
get_sidra(api='/t/7060/n1/all/v/63/p/all/c315/7171/d/v63%202')

alim_dom = full_join(alim_dom_01, alim_dom_02) %>%
mutate(date = parse_date(`Mês (Código)`, format="%Y%m")) %>%
mutate(alim_12m = acum_p(Valor,12)) %>%
select(date, Valor, alim_12m)

Podemos na sequência pegar o IPA Agro diretamente do site do Banco Central usando para isso o pacote BETS.


ipa_agro = BETSget(7460, data.frame = TRUE) %>%
mutate(ipa_12m = acum_p(value,12))

Observe que nos códigos acima, eu já crio uma nova variável com a função mutate que acumula os dados em 12 meses. Uma vez tratados os dados, podemos gerar um gráfico como abaixo.

Observe que ao longo da série histórica é comum haver discrepâncias entre um e outro índice. Na margem, contudo, o IPA Agro tem experimentado uma subida bastante expressiva, o que abre a boca de jacaré entre as séries.

Dada a correlação entre as séries, que também nesse caso implica em causalidade - ver estudo a ser publicado no Clube do Código - existe uma expectativa de repasse da alta do IPA Agro para o consumidor. Isso, por óbvio, irá pressionar a inflação cheia. A conferir, apenas, se o suficiente para gerar alguma pressão sobre a política monetária.

Sempre lembrando que o Banco Central opera a política monetária de modo a conter efeitos secundários de um choque temporário como esse. Isto é, efeitos sobre outros preços, o que caracterizaria uma pressão inflacionária.

_____________________

(*) Para ter acesso aos códigos completos dos nossos exercícios, cadastre-se na nossa Lista VIP aqui.

(**) Inscrições para as Turmas de Verão começam no próximo dia 27/10. Seja avisado por e-mail clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

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.