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 Criptomoedas com Python

Aprenda a estruturar um pipeline de dados financeiros com Python. Ensinamos a construção de um dashboard automatizado para coleta, tratamento e visualização de criptomoedas via API.

Como Construir um Monitor de Política Monetária Automatizado com Python?

Descubra como transformar dados do Banco Central em inteligência de mercado com um Monitor de Política Monetária Automatizado. Neste artigo, exploramos o desenvolvimento de uma solução híbrida (Python + R) que integra análise de sentimento das atas do COPOM, cálculo da Regra de Taylor e monitoramento da taxa Selic. Aprenda a estruturar pipelines ETL eficientes e a visualizar insights econômicos em tempo real através de um dashboard interativo criado com Shiny, elevando o nível das suas decisões de investimento.

Qual o efeito de um choque de juros sobre a inadimplência?

Neste exercício, exploramos a relação dinâmica entre o custo do crédito (juros na ponta) e o risco realizado (taxa de inadimplência) através de uma análise exploratória de dados e modelagem econométrica utilizando a linguagem de programação R.

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.