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 tratar dados no Python? Parte 4: operações por grupos

Como mensalizar dados diários? Ou como filtrar os valores máximos para diversas categorias em uma tabela de dados usando Python? Estas perguntas são respondidas com os métodos de operações por grupos. Neste tutorial mostramos estes métodos disponíveis na biblioteca pandas, que tem como vantagem sua sintaxe simples e prática.

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.