Tag

nível geral de preços Archives - Análise Macro

Raio-X da inflação no Brasil usando o R: os diferentes índices.

By | Dados Macroeconômicos, Inflação, Macroeconometria

A partir dessa semana, começaremos, o Ricardo Lima e eu, a publicar uma série de posts referentes à inflação no Brasil. Desde os tempos em que criei, em conjunto com um time enorme, o GECE/UFF, percebi que existe uma grande dificuldade de estudantes de graduação e pós-graduação de integrar teoria com a prática dos dados. Desse modo, são dois os objetivos dessa série: (i) mostrar, de forma bem introdutória, como lidar com dados macroeconômicos na prática, usando o software R; (ii) entender o comportamento da taxa de variação dos preços no país, bem como gerar alguns modelos de previsão para a inflação, dados seus determinantes. Ademais, servirá como incentivo para deslanchar: (i) um projeto de previsões sofisticadas de variáveis macroeconômicas utilizando o R que estamos desenvolvendo, em conjunto com o Renato Lerípio; (ii) um curso de análise de conjuntura para graduandos e pós-graduandos em diferentes áreas. Para quem quiser, antes de tudo, conferir o que é inflação, pode dar uma olhada aqui e ouvir um podcast sobre o assunto aqui.

Para tornar as coisas didáticas, começarei bem do início, de modo que mesmo o leitor com poucos conhecimentos de economia, estatística, econometria e/ou manipulação de dados poderá ter a exata noção do que foi feito. Nesse primeiro post, apresentarei os diversos índices de inflação no país, bem como darei as primeiras pistas sobre o que está causando a inflação alta que temos visto. Leitores com conhecimentos mais avançados podem pular as partes mais introdutórias e partir para a análise mais técnica dos problemas. Sempre que possível colocaremos referências sobre os assuntos que abordarmos [quem tiver outras, pode colocar nos comentários]. Sugestões, críticas [construtivas!!!] e comentários diversos são sempre bem vindos. Se a coisa fluir da forma que esperamos, outras variáveis, como câmbio, pib, juros, ..., também poderão ganhar séries no mesmo formato. Para quem ainda não conhece o R, sugerimos ler aqui, aqui e aqui. Ao trabalho, então?

Antes de tudo, algumas noções básicas...

O aluno que sai da faculdade de economia tem grandes dificuldades de lidar com dados [o leitor mais avançado pode pular essa parte e continuar abaixo, quando vir um novo alerta desse mesmo tipo]. Soa forte a frase? Talvez você discorde disso e dê uma infinidade de exemplos contrários, mas minha experiência pessoal mostra que isso é uma espécie de verdade inconveniente. Em geral, os professores estão focados em ensinar a teoria - alguns, a ensinar o aperto de mão secreto - e deixam ao largo o confronto com os dados. Se é assim, a primeira coisa a fazer em uma série que tem a pretensão de fazer um raio-x da inflação no Brasil é mostrar as fontes de dados. Elas são basicamente quatro: Banco Central, FGV, IBGE e IPEADATA. O leitor encontrará uma infinidade de dados nesses lugares, não apenas de inflação, logo fique à vontade para navegar e se interar com os mesmos.

Minha sugestão é que você, depois de ter lido esse texto aqui, pegue o número índice de um único indicador em uma dessas fontes e comece a brincar com ele. Vamos supor que você tenha pego o número índice do IPCA no IPEADATA e queira obter a variação mensal e a variação anual dos preços. Primeiro, salve a planilha com o dado no seu computador e abra o R para importar os dados. Você deverá colocar o seguinte código para importar:

## Importação da planilha com o IPCA
data <- ts(read.csv(file='ipca.csv',header=T,sep=";",dec=","),
 start=c(1979,12), freq=12)

Feito isto, você pode dar uma olhada no gráfico da série [com o plot], coisa que fiz no post sobre introdução à inflação, e pode também obter a variação mensal e anual com os seguintes comandos:

ipcamensal <- (data/lag(data,-1)-1)*100
ipcaanual <- (data/lag(data,-12)-1)*100

Dê uma olhada nos gráficos dessas duas séries que você acabou de criar acima utilizando o código abaixo. Repare que limitei os gráficos para o período entre 1999 e 2015, mas você pode escolher outros períodos.

par()
op <- par()
lay <- layout(matrix(c(1,2), ncol=2, nrow=1, byrow=F))
layout.show(lay)
plot(ipcamensal,main='IPCA Mensal',xlab='',ylab='% a.m.')
grid(lty=2, lwd=1, col='darkgrey')
plot(ipcaanual,main='IPCA Anual',xlab='',ylab='% a.m.')
grid(lty=2, lwd=1, col='darkgrey')

ipca

O IPCA mensal reflete a variação de preços entre um e outro mês, como exposto na fórmula em que geramos a série. Já o IPCA anual é a variação acumulada em 12 meses. Observe que no período recente, a inflação acumulada em 12 meses tem tido uma tendência altista. Além dos gráficos, você pode obter algumas estatísticas descritivas com a função stat.desc do pacote pastecs, como mínimo, máximo, média, mediana, ou, mais simplesmente, com a função summary.

Agora que você já tem alguma familiaridade com os dados [o leitor mais avançado pode continuar daqui], podemos importar um conjunto mais amplo de índices, como os IGPs da FGV [com seus determinantes: IPA, IPC e INCC] e o próprio IPCA. Com esse conjunto maior de dados, podemos começar a entender o comportamento dos preços nos últimos tempos no país. Algumas brincadeiras interessantes também podem ser feitas, como a criação de núcleos próprios, que excluem, por exemplo, a tão falada inflação de serviços. Vamos, então?

Uma overdose de inflação...

Na minha planilha eu coloquei os três IGPs (10, M e DI), seus determinantes (IPA, IPC e INCC), o IPCA e o IPCA-15 - fica a seu critério quais vai querer colocar. Para, em primeiro lugar, dar uma olhada nos números mais atuais da inflação no país eu montei o script no de modo a obter a variação mensal e anual de todos os índices, conforme os comandos que coloquei acima. Depois agrupei as variações mensais e anuais de forma a criar uma espécie de "tabela resumo" com as últimas três observações de cada índice de inflação. Isso foi feito com os seguintes códigos:

## As últimas três observações
last.mensal <- c('Mensal Fev/15', 'Mensal Mar/15', 'Mensal Abr/15')
last.anual <- c('Anual Fev/15', 'Anual Mar/15', 'Anual Abr/15')
data <- ts(read.csv(file='agregado.csv',header=T,sep=";",dec=","),
 start=c(1994,07), freq=12)
######### Variações Mensais a partir dos números índices ###########
## Obter as variações mensais
vmensal <- (data/lag(data,-1)-1)*100
colnames(vmensal) <- paste0(colnames(data),'mensal')
## Colocar as últimas observações das séries mensais no mesmo objeto
mensal <- t(tail(vmensal, n = 3))
colnames(mensal) <- last.mensal
######### Variações Anuais a partir dos números índices ###########
## Obter as variações anuais
vanual <- (data/lag(data,-12)-1)*100
colnames(vanual) <- paste0(colnames(data),'anual')
## Colocar as últimas observações das séries anuais no mesmo objeto
anual <- t(tail(vanual,3))
colnames(anual) <- last.anual
############### CRIAR TABELA COM ÚLTIMAS OBSERVAÇÕES ##################
agregado <- round(cbind(mensal, anual), digits=2)
rownames(agregado) <- colnames(data)
################### GERAR CÓDIGO HTML ################################
table <- stargazer(agregado,
 title='Índices de Inflaçao no Brasil (%)',
 type='html',
 out='agregado.html', decimal.mark=',', digits=2,
 align=T)

E a tabela...

Índices de Inflaçao no Brasil (%)
Mensal Fev/15 Mensal Mar/15 Mensal Abr/15 Anual Fev/15 Anual Mar/15 Anual Abr/15
igp10 0,43 0,83 1,27 3,86 3,38 3,46
ipa10 0,03 0,75 1,45 2,13 1,23 1,27
ipc10 1,39 1,29 1,01 7,56 8,19 8,33
incc10 0,80 0,24 0,69 6,77 6,69 7,01
igpm 0,27 0,98 1,17 3,86 3,16 3,55
ipam -0,09 0,92 1,41 2,02 0,75 1,36
ipcm 1,14 1,42 0,75 7,74 8,39 8,31
inccm 0,50 0,36 0,65 6,80 6,95 6,94
igpdi 0,53 1,21 3,74 3,46
ipadi 0,41 1,24 1,67 1
ipcdi 0,97 1,41 7,99 8,59
inccdi 0,50 0,36 6,80 6,95
ipaagro 1,12 2,10 6,17 2,68
ipaind 0,13 0,90 0,01 0,34
ipca15 1,33 1,24 1,07 7,36 7,90 8,22
ipca 1,22 1,32 7,70 8,13

Pronto! Aí está uma tabelinha com as últimas observações de vários índices de inflação no país. Ela contém a variação mensal e a anual dos últimos dados disponíveis desses índices. Observe o leitor que o último dado disponível do IPCA-15 é de abril, que mostra uma inflação acumulada em 12 meses de 8,22%. Alternativamente, você pode colocar mais meses utilizando a função tail com um n maior. Mostrados os dados, vamos agora ver alguns gráficos selecionados das séries que geramos. Mostro uma sequência de código e gráfico abaixo.

################# IGP-10 e IGP-M [e subíndices] ##################
par()
op <- par()
lay <- layout(matrix(c(1,1,2,2), ncol=2, byrow=F))
layout.show(lay)
plot(igp10mensal, main='' ,
 sub='',
 col="red", lty=1, lwd=3, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
par(new=T)
plot(ipa10mensal, main='' ,
 sub='',
 col="blue", lty=2, lwd=1, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
par(new=T)
plot(ipc10mensal, main='' ,
 sub='',
 col="black", lty=1, lwd=1, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
par(new=T)
plot(incc10mensal, main='' ,
 sub='',
 col="burlywood", lty=1, lwd=1, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
legend('topright', col=c('red','blue','black',
 'burlywood'), lty=c(1,2,1,1), lwd=c(3,1,1,1),
 legend=c('IGP-10', 'IPA-10','IPC-10','INCC-10'))
grid(lty=2, lwd=1, col='darkgrey')
mtext('IGP-10 e subíndices (% a.m.)',side=3,line=1, col='black',
 font=1)
plot(igpmmensal, main='' ,
 sub='',
 col="red", lty=1, lwd=3, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
par(new=T)
plot(ipammensal, main='' ,
 sub='',
 col="blue", lty=2, lwd=1, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
par(new=T)
plot(ipcmmensal, main='' ,
 sub='',
 col="black", lty=1, lwd=1, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
par(new=T)
plot(inccmmensal, main='' ,
 sub='',
 col="burlywood", lty=1, lwd=1, xlab='',ylab='',bty='l',
 ylim=c(-2,7), xlim=c(2001,2015))
legend('topright', col=c('red','blue','black',
 'burlywood'), lty=c(1,2,1,1), lwd=c(3,1,1,1),
 legend=c('IGP-M', 'IPA-M','IPC-M','INCC-M'))
grid(lty=2, lwd=1, col='darkgrey')
mtext('IGP-M e subíndices (% a.m.)',side=3,line=1, col='black',
 font=1)
par(op)
igp

Esse gráfico coloca as variações mensais do IGP-10 e do IGP-M, bem como seus determinantes (IPA, IPC e INCC) em evidência. Observe que o comportamento dos mesmos é bastante parecido. Isso pode ser mais nitidamente visto com o gráfico seguinte, que acumula os dois e o IGP-DI em 12 meses.

## Análise Gráfica dos IGPs
par()
opar <- par()
plot(igp10anual, xlab='', ylab='% a.a.',xlim=c(2009,2015),
 ylim=c(-7,15), lty=1, lwd=2, col='black')
par(new=T)
plot(igpmanual, xlab='', ylab='% a.a.',xlim=c(2009,2015),
 ylim=c(-7,15), lty=2, lwd=2, col='red')
par(new=T)
plot(igpdianual, xlab='', ylab='% a.a.',xlim=c(2009,2015),
 ylim=c(-7,15), lty=2, lwd=2, col='blue')
legend('bottomright', col=c('black', 'red','black'),
 lty=c(1,2,2), lwd=c(2,2,2),
 legend=c('IGP-10', 'IGP-M', 'IGP-DI'))
grid(lty=2, lwd=1, col='darkgrey')
mtext('Índices Gerais de Preço (% a.a.)',side=3,line=1, col='black',
 font=2)
mtext('Fonte: [analisemacro.com.br], dados da FGV.',
 side=1,line=3)
par(opar)

igps12m

Os três IGPs mostram uma queda seguida de estabilidade no período recente. Para ver qual dos três componentes do IGP está causando esse comportamento, podemos plotar um gráfico com os mesmos. É o que faço abaixo [o código é similar ao colocado acima] com a série M dos subíndices. É possível observar no gráfico que enquanto o IPC e o INCC se mantém razoavelmente constantes, o IPA mostra o comportamento captado pelo índice cheio (IGP). Em outros termos, os índices gerais mostram o comportamento predominantemente observado no atacado.

igpsub

Essa é, a propósito, uma das grandes diferenças entre os IGPs e o IPCA. O IPA, índice de preços no atacado, é responsável por 60% dos IGPs. Enquanto isso, o IPCA reflete os preços que o consumidor com renda de 1 a 40 salários-mínimos enfrenta no dia a dia. Pensando nisso, podemos montar um gráfico com um dos IGPs e com o IPCA, para ver a diferença entre ambos no período recente e dar uma luz de como devemos entender a inflação. O código e o gráfico seguem abaixo.

## IPCA vs. IGP-M
par()
opar <- par()
par(mar=c(5,4,4,5)+.1)
plot(igpmanual,type='l',col='red', lty=2, lwd=2,
 xlab='', ylab='IGP-M', ylim=c(-3,15),
 xlim=c(2009,2015), main='')
par(new=T)
plot(ipcaanual, type='l', col='black',
 xaxt='n',yaxt='n', lty=1, lwd=2,
 xlab='', ylab='', xlim=c(2009,2015), ylim=c(3,9))
axis(4)
mtext('IPCA',side=4,line=3)
legend('bottomright', col=c('red','black'), lty=c(2,1), lwd=2,
 legend=c('IGP-M', 'IPCA'))
grid(lty=2, lwd=1, col='darkgrey')
mtext('Inflaçao Atacado vs. Varejo (% a.a.)',side=3,line=1, col='black',
 font=2)
mtext('Fonte: [analisemacro.com.br], dados do IBGE e da FGV.',
 side=1,line=3)
par(opar)

ipcaigp

Pois é, leitor. Ao longo do tempo, o IGP tende a ter o mesmo comportamento do IPCA e, em certo grau, um antecipa o outro, dado o componente de "inflação no atacado" contido no primeiro [isso é algo interessante que você poderia testar, não?]. Podemos, inclusive, ver essa correlação cruzada de forma gráfica no com a função lag2.plot do pacote astsa (dica do Claudio Shikida), como colocado abaixo. No período recente, entretanto, enquanto o IGP-M mostra um comportamento de no mínimo estabilidade, o IPCA deu um "salto" nos últimos meses. Ademais, mesmo antes desse "salto" no IPCA, a "boca de jacaré" entre IPCA e IGP-M já era pronunciada. Em outros termos, enquanto os IGPs registram a desaceleração na economia, o IPCA não só resistiu em um patamar mais elevado, como se acelerou nos últimos meses.

Para compreender os motivos pelos quais o IPCA mostra um comportamento dissonante em relação aos índices gerais, devemos olhar mais detidamente para ele. É o que faremos no próximo post dessa série! Espero que tenham gostado desse primeiro exemplo de exploração de dados, usando a inflação e o R. 🙂

# Correlação cruzada entre IGP-M e IPCA, ambos acumulados em 12 meses
lag2.plot(na.omit(igpmanual),na.omit(ipcaanual),12,corr=TRUE)
lag2.plot(na.omit(ipcaanual),na.omit(igpmanual),12,corr=TRUE)
igpmdefasado ipcadefasado

_______________________________________

Gostou do post? Quer aprender a fazer o mesmo? Dê uma olhada no nosso curso de Introdução ao R com aplicações em Análise de Conjuntura. Faça no Rio de Janeiro ou leve para sua empresa ou universidade!

Curso04

________________________________________


							
						

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar Gratuitamente