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

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

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.