Impacto do aumento da gasolina e do óleo diesel no IPCA de 2013 e nas previsões do GECE.

A partir da meia noite do último dia 30/11 estão em vigor os aumentos de 4% e 8%, respectivamente, sobre a gasolina e óleo diesel que a Petrobras aprovou para a venda dos combustíveis nas refinarias. O GECE fez o cálculo do impacto desses reajustes sobre o Índice Nacional de Preços ao Consumidor Amplo (IPCA), o índice que representa a meta de inflação no país. Supondo que o repasse seja integralmente repassado ao consumidor – algo que não é inexorável – o impacto máximo do aumento da gasolina é de 0,16 pontos percentuais sobre o IPCA de dezembro (para fins de simplificação), enquanto o impacto do óleo diesel é de apenas 0,01 pontos percentuais. Chega-se a esse número tomando a média dos pesos desses subitens (51040001, gasolina e 51040003, óleo diesel) em 2013 e multiplicando os mesmos pelo reajuste anunciado para cada um. A gasolina teve peso médio de 3,88% no IPCA desse ano, contribuindo em média com -3% na variação mensal do índice. O pico de contribuição ocorreu em fevereiro, quando foi responsável por 26,4% da elevação de 0,6% do IPCA naquele mês. A mudança nas nossas previsões para o IPCA desse ano é o que detalhamos em seguida.

A previsão do GECE para o IPCA em 2013 era de 5,65%, supondo que em novembro e dezembro o índice ficasse, respectivamente, em 0,54% e 0,68%. Com o reajuste, o valor do mês de dezembro vai para 0,84%, o que eleva o IPCA de 2013 para 5,82%. Nesse cenário consideramos o limite mínimo da previsão em 5,74% e o máximo em 5,91%,.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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”.

Estudo de Caso: Impacto do Metro em São Paulo

O que é Pareamento? E o que significa Propensity Score? Como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.Quer saber como essa análise foi construída? Seja aluno do nosso curso Avaliação de Políticas Públicas usando Python, e tenha acesso às aulas teóricas e práticas, com o código disponibilizado em 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.