Relatório #27 - IGP-M

O IGP-M é um índice de preços construído e divulgado pela Fundação Getúlio Vargas, como forma de monitorar o movimento de preços dos produtos em todos os seus estágios de produção. O IGP-M é composto por três indicadores, cada um representado um peso dentro do índice, sendo eles: IPA (60%), IPC (30%) e INCC (10%). No Relatório AM de hoje, iremos visualizar o movimento do IGP-M dentro do mês de novembro de 2021.

No mês de novembro, o IGP-M subiu 0,02% em relação ao mês de outubro. A desaceleração foi puxada, principalmente, pelo IPA, que na variação mensal, configurou uma queda de -0,29%, ao contrário dos outros índices, como no caso do IPC, que exibiu um aumento de 0,93% no mês de novembro, bem como o INCC, que subiu 0,71% no mês.

Podemos ver no gráfico abaixo o movimentos dos índices nos últimos meses.

No acumulado em 12 meses, o IGP-M exibiu uma variação de aproximadamente 17,9%. Apesar da diminuição nos últimos meses, temos ainda um valor alto, se comparado com os resultados acumulados nos últimos anos.

Podemos visualizar em conjunto a variação acumulada de todos os índices. Vê-se a queda do INCC e do IPA nos últimos meses, porém, há o aumento do IPC.

________________________

(*) Para entender mais sobre inflação e 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

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.