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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.