A convergência da inflação foi para o R

[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 IPCA chegou a 4,08% a.a. no acumulado em 12 meses terminados em abril. É o menor patamar desde 2007. Com efeito, parece consolidada a convergência da inflação para a meta. Para ilustrar essa convergência, produzimos o gráfico abaixo, com o auxílio do R, utilizando o pacote rbcb.

library(ggplot2)
library(rbcb)
library(scales)

ipca12m = get_series(13522, start_date='2015-12-01')

ipca12m = as.data.frame(ipca12m)
colnames(ipca12m) = c('date', 'ipca')
ipca12m$date = as.Date(ipca12m$date, format='%d/%m/%Y')

ggplot(ipca12m, aes(x=date, y=ipca))+
 annotate("rect", fill = "gray", alpha = 0.5, 
 xmin = as.Date('2016-08-01'), 
 xmax = as.Date('2017-04-01'),
 ymin = -Inf, ymax = Inf)+
 geom_line(size=.8)+
 geom_hline(aes(yintercept=4.5), colour='red', size=.8)+
 scale_y_discrete(limits=4:11)+
 scale_x_date(breaks = date_breaks("2 months"),
 labels = date_format("%m/%Y"))+
 theme_bw()+xlab('')+ylab('% a.a.')+
 labs(title='Inflação medida pelo IPCA',
 subtitle='acumulada em 12 meses',
 caption='Fonte: analisemacro.com.br com dados do IBGE.')+
 geom_point(size=12, shape=21, colour="#1a476f", fill="white")+
 geom_text(aes(label=ipca), size=3, 
 hjust=0.5, vjust=0.5, colour="darkblue")+
 annotate('text', x=as.Date('2016-04-01'), y=4.8, 
 label='Meta de Inflação: 4,5%',
 colour='red', size=4)

E o resultado...

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/05/plot01.png" show_in_lightbox="on" 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_row admin_label="row"][et_pb_column type="2_3"][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 convergência se dá em um momento de provável queda da inércia e de expectativas ancoradas, principais determinantes da inflação, como mostra a tabela ao lado. Nela, rodamos a Curva de Phillips abaixo:

(1)   \begin{equation*} \pi_{t} = \beta_0 + \beta_1 \pi_{t-1} + \beta_2 E_t \pi_{t+1} + \beta_3 hiato_{t-1} + \varepsilon_t \end{equation*}

Onde \pi_t é a inflação medida pelo IPCA acumulada em 12 meses, E_t \pi_{t+1} é a expectativa para a inflação nos próximos 12 meses e hiato_{t-1} é o hiato do produto. Em outras palavras, a despeito do que se pode querer acreditar, o hiato do produto, a diferença entre o PIB efetivo e o PIB potencial, possui pouco impacto sobre a inflação brasileira, sendo a inércia medida pela primeira defasagem e as expectativas preponderantes para explicá-la.

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/macroeconometria/" url_new_window="off" button_text="Clique abaixo para conhecer nosso Curso de Macroeconometria usando o R " button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2016/11/macroeconometria.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/macroeconometria/" 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_column type="1_3"][et_pb_code admin_label="Código"]<table style="text-align:center"><tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"></td><td><em>Dependent variable:</em></td></tr> <tr><td></td><td colspan="1" style="border-bottom: 1px solid black"></td></tr> <tr><td style="text-align:left"></td><td>inflação</td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">lag(inflação, -1)</td><td>0.935<sup>***</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.025)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">expectativa</td><td>0.105<sup>**</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.050)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">lag(hiato, -1)</td><td>0.034<sup>***</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.013)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">Constant</td><td>-0.133</td></tr> <tr><td style="text-align:left"></td><td>(0.171)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Observations</td><td>119</td></tr> <tr><td style="text-align:left">R<sup>2</sup></td><td>0.974</td></tr> <tr><td style="text-align:left">Adjusted R<sup>2</sup></td><td>0.973</td></tr> <tr><td style="text-align:left">Residual Std. Error</td><td>0.280 (df = 115)</td></tr> <tr><td style="text-align:left">F Statistic</td><td>1,429.549<sup>***</sup> (df = 3; 115)</td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"><em>Note:</em></td><td style="text-align:right"><sup>*</sup>p<0.1; <sup>**</sup>p<0.05; <sup>***</sup>p<0.01</td></tr> </table>[/et_pb_code][/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 usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

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.