Analisando a deflação de setembro com o R

Ontem, o IBGE divulgou a inflação medida pelo IPCA em setembro. O resultado surpreendeu, com uma deflação de 0,04% em um mês onde tipicamente a inflação é positiva, dada a sazonalidade da mesma. De modo a investigar esse comportamento atípico, podemos plotar em um gráfico a inflação para os meses de setembro de vários anos. Usando o R, o script começa carregando alguns pacotes.


# Pacotes
library(tsutils)
library(ggplot2)
library(scales)
library(sidrar)

A partir do pacote sidrar, nós obtemos o número-índice do IPCA e depois a variação mensal do índice, que é a inflação.


## Criar Inflação mensal
ipca_indice = get_sidra(api='/t/1737/n1/all/v/2266/p/all/d/v2266%2013')
ipca_indice = ts(ipca_indice$Valor, start=c(1979,12), freq=12)
ipca_mensal = round((ipca_indice/stats::lag(ipca_indice,-1)-1)*100,2)

De posse da inflação, nós pegamos agora uma subamostra desde 1995.


## Criar amostras
ipca_mensal_subamostra = window(ipca_mensal, start=c(1995,01))

Agora, usando a função seas do pacote tsutils, nós agrupamos a inflação por meses e pegamos apenas os meses de setembro de cada ano.


# Criando e guardando gráfico de sazonalidade
seas <- seasplot(ipca_mensal_subamostra, trend=F, outplot = 3)
setembro <- as.numeric(seas$season[,9])
time <- seq(as.Date('1995-09-01'), as.Date('2019-09-01'), by='1 year')
df <- data.frame(time=time, setembro=setembro)

E por fim, geramos um gráfico com apenas os meses de setembro com o código abaixo.


# Gráfico
ggplot(df, aes(x=time, y=setembro))+
geom_bar(stat='identity', fill='darkblue', colour='darkblue')+
geom_text(aes(label=setembro), size=3,
fontface='bold',
position = position_dodge(width = 2),
hjust=0.5, vjust=ifelse(setembro>0,-0.7,1),
shape=21, colour=ifelse(setembro>0,"black", 'red'))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
scale_x_date(labels = date_format("%b/%Y"),
breaks = time)+
labs(x='',y='% a.m.',
title='Inflação medida pelo IPCA em setembro',
caption='Fonte: analisemacro.com.br')

E o gráfico...

Como podemos ver, desde 1995, essa foi a segunda deflação que tivemos no mês de setembro. Tipicamente, a inflação se acelera no segundo semestre, de modo que os meses de setembro são marcados por variações positivas. A seguir, coloco um gráfico que deixa claro a sazonalidade da inflação.


# ggseasonplot
ipca_mensal_subamostra_2 = window(ipca_mensal, start=c(2007,01))
ggsubseriesplot(ipca_mensal_subamostra_2)+
labs(x='', y='% a.m.',
title='Sazonalidade da inflação medida pelo IPCA',
caption='Fonte: analisemacro.com.br')

Em outras palavras, parece que o hiato do produto negativo está tendo impacto sobre o cenário inflacionário, diante de uma política monetária muito bem conduzida pelo Banco Central nos últimos anos.

_____________________________

(*) Aprenda a lidar com dados macroeconômicos no nosso Curso de Análise de Conjuntura usando o R.

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.