Análise da inflação de outubro com o R

O IBGE divulgou hoje pela manhã a inflação de outubro medida pelo IPCA. O resultado mensal foi de 0,10%, o que levou a inflação acumulada em 12 meses para 2,54%, 1,71 pontos percentuais abaixo da meta de 4,25%. O resultado de outubro é o menor para o mês desde 1998 e ocorre após uma deflação atípica em setembro, mostrando que a inflação brasileira, enfim, está respondendo ao hiato do produto ainda bastante negativo. De forma a fazer uma análise do resultado, vamos verificar os subgrupos do IPCA. Abaixo, carregamos alguns pacotes.


library(readxl)
library(tidyverse)

Em seguida nós importamos o arquivo subgrupos.csv que contém a variação e o peso dos subgrupos do IPCA em outubro. Com efeito, criamos uma terceira variável que é a contribuição de cada um dos subgrupos.


subgrupos = read_excel('subgrupos.xlsx') %>%
mutate(contribuicao = variacao*peso/100)

Por fim, nós criamos um gráfico, destacando as contribuições posiivas e negativas para a inflação de outubro.


ggplot(subgrupos, aes(x=subgrupo, y=contribuicao))+
geom_bar(stat='identity',
position = 'identity',
fill=ifelse(subgrupos$contribuicao < 0, 'red', 'darkblue'),
colour=ifelse(subgrupos$contribuicao < 0, 'red', 'darkblue'),
width = 0.5)+
theme(axis.text.x=element_text(angle=90, hjust=1),
plot.title = element_text(size=11))+
labs(x='', y='', title='Contribuição dos Subgrupos para a inflação de outubro (p.p.)',
caption='Fonte: analisemacro.com.br')+
coord_flip()

Como se vê, o subgrupo combustíveis e energia contribuiu de forma negativa com 0,12 pontos percentuais, enquanto transportes foram responsáveis por 0,08 pontos percentuais de contirbuição para a inflação de outubro.

_______________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise de Séries Temporais com a Linguagem R: dados ISP-RJ

Neste tutorial, vamos conduzir uma análise diagnóstica completa. Começaremos visualizando a série e sua tendência, depois a decomporemos em seus componentes fundamentais. Em seguida, investigaremos a distribuição estatística dos dados e, por fim, aplicaremos técnicas mais avançadas, como a análise de autocorrelação e testes de estacionariedade, que são pré-requisitos cruciais para a construção de modelos de previsão robustos como o ARIMA.

Análise de dados com a Linguagem R: Segurança no Rio de Janeiro

Neste post, criamos um tutorial prático que guia você através do ciclo completo de análise de dados, desde a coleta e tratamento até a visualização e comunicação de resultados. Utilizando a linguagem R, o ecossistema tidyverse e a ferramenta de publicação Quarto, analisamos a base de dados de criminalidade do Instituto de Segurança Pública (ISP) do Rio de Janeiro.

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.