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 automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

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.