As três grandes desinflações do Plano Real

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A inflação medida pelo Índice de Preços ao Consumidor Amplo (IPCA) terminou 2017 em 2,95%, a segunda menor desde a implantação do Plano Real, em 1994. Ela encerra também um dos três grandes processos de desinflação desde o advento do plano. A primeira ocorreu entre 1994 e 1998, quando a inflação saiu de inacreditáveis 916,46% no acumulado em doze meses até dezembro de 1994 e terminou em dezembro de 1998 em 1,65%. A segunda ocorreu entre 2002 e 2006, quando a inflação saiu de 12,53% para 3,14%. Nesse último, a inflação foi a 10,67% em 2015, retornando a patamares civilizados em dezembro último. O código e o gráfico abaixo ilustram esses três períodos.


library(ggplot2)
library(scales)
library(BETS)
library(TStools)

infanual = BETS.get(13522, from='1994-12-01')

seas = seasplot(infanual, trend=F, outplot = 3)

dezembro = as.numeric(seas$season[,12])

dezembro = dezembro[-length(dezembro)]

time = seq(as.Date('1995-01-01'), as.Date('2017-01-01'), by='1 year')

df1 = data.frame(time=time, dezembro=dezembro)

# Gráfico
ggplot(df1, aes(time, dezembro))+
 annotate("rect", fill = "orange", alpha = 0.2, 
 xmin = as.Date('1994-06-01'), 
 xmax = as.Date('1998-06-01'),
 ymin = -Inf, ymax = Inf)+
 annotate("rect", fill = "red", alpha = 0.2, 
 xmin = as.Date('2001-06-01'), 
 xmax = as.Date('2006-06-01'),
 ymin = -Inf, ymax = Inf)+
 annotate("rect", fill = "blue", alpha = 0.2, 
 xmin = as.Date('2014-06-01'), 
 xmax = as.Date('2017-06-01'),
 ymin = -Inf, ymax = Inf)+
 geom_bar(stat='identity', fill='darkblue', width = 200)+
 geom_text(aes(label=round(dezembro,2)), colour='red', 
 vjust=ifelse(dezembro \>= 0, -0.4, 1),
 size=3)+
 xlab('')+ylab('% a.a.')+
 labs(title='Inflação anual medida pelo IPCA',
 caption='Fonte: analisemacro.com.br com dados do IBGE.')+
 scale_x_date(breaks = date_breaks("1 years"),
 labels = date_format("%Y"))+
 theme(axis.text.x=element_text(angle=45, hjust=1))

Tomare que não precisemos de um quarto grande processo desinflacionário, não é mesmo, leitor? 🙂

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/01/cursosR.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.