Análise estatística do IPCA-15 com o R

O IPCA-15 é o primo do IPCA, o Índice de Preços ao Consumidor Amplo, principal índice de preços do país, que serve de referência para o regime de metas para inflação conduzido pelo Banco Central. A diferença entre um e outro se dá apenas pelo período de coleta, o IPCA-15 abrange o período de 16 do mês anterior até 15 do mês de referência, e pela abrangência geográfica. O acompanhamento do índice serve, por suposto, como boa prévia para verificar a inflação medida pelo IPCA.

Os dados do IPCA-15 podem ser facilmente baixados diretamente do site do SIDRA/IBGE, conforme o código a seguir.


library(tidyverse)
library(scales)
library(ggrepel)
library(png)
library(grid)
library(sidrar)
library(forecast)
library(tstools)

ipca15 = get_sidra(api='/t/3065/n1/all/v/355/p/all/d/v355%202') %>%
mutate(date = parse_date(`Mês (Código)`, format='%Y%m')) %>%
select(date, Valor) %>%
as_tibble()

Uma vez que os dados tenham sido baixados, é possível construir um gráfico como o abaixo, que ilustra a inflação acumulada em 12 meses medida pelo IPCA-15, bem como ilustra os limites da meta de inflação instituídos pelo Conselho Monetário Nacional (CMN). Os códigos dessa parte do exercício estão disponíveis para os membros do Clube AM.

Esse tipo de gráfico é interessante porque com ele é imediato verificar se a inflação medida pelo índice está dentro dos limites de tolerância estabelecidos pelo CMN. Como se vê, a inflação na ponta - janeiro de 2021 - encontra-se acima da meta de inflação, que para esse ano é de 3,75%.

Assim como o seu primo, o IPCA-15 também apresenta uma sazonalidade bastante aparente ao longo do ano, como pode ser visto abaixo.

Uma outra informação interessante sobre o índice reside na sua distribuição. Observe o boxplot abaixo.

A mediana do índice, para uma amostra que começa em janeiro de 200, está em 0,42%, enquanto a sua média está em 0,45%. O 1º quartil termina em 0,23% e o 3º quartil termina em 0,64%, o que dá um IQR de 0,41 pontos percentuais. Dado esse comportamento da média e da mediana, temos um histograma como o abaixo.

Dado o que foi dito anteriormente, temos uma assimetria à direita nos dados do IPCA-15. Essa análise exploratória dos dados do índice, diga-se, é de suma importância para construirmos um modelo adequado de previsão para o mesmo. É o que faremos em exercícios futuros dentro do Clube AM.

_________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Decomposição do Impulso de Crédito no Brasil usando Python

Neste exercício, mostramos como o Python pode ser utilizado para calcular uma métrica central para a compreensão da dinâmica entre crédito e atividade econômica no Brasil, a partir de um ciclo completo e altamente reprodutível de coleta, tratamento e análise de dados.

Aplicando o Time Series Transformer para prever inflação (IPCA)

Neste exercício, exploramos a previsão de séries temporais utilizando o Temporal Fusion Transformer (TFT). O TFT é uma arquitetura de Deep Learning baseada em mecanismos de atenção, desenhada especificamente para lidar com múltiplas variáveis e horizontes de previsão longos, mantendo a interpretabilidade — uma característica frequentemente ausente em modelos de "caixa-preta".

Análise do Payroll norte-americano com Python

O Payroll norte-americano é o termômetro da economia global. No post de hoje, mostro como analisar esse indicador usando Python e as bibliotecas Pandas e Plotnine. Saia do básico e aprenda a visualizar a geração de empregos nos EUA de forma profissional.

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.