L’indice des prix à la consommation (IPC) est une mesure largement utilisée des prix des biens et services achetés par les ménages. C’est le principal outil de suivi de l’inflation et de l’évolution du coût de la vie au fil du temps. L’indice est construit à partir des relevés mensuels des prix d’un « panier » de biens et services provenant d’un échantillon d’établissements de vente au détail et de services. Les données historiques de l’IPC sont faciles à télécharger

&nbsp Une caractéristique clé de l’IPC est que les prix sont ajustés en fonction des changements de qualité. Si le prix d’un rétroviseur latéral d’une voiture augmente de 200 $, mais que 120 $ de cette augmentation reflètent le fait que le rétroviseur devient « intelligent » plutôt que « stupide », seuls les 80 $ restants sont pris en compte comme inflation. De même, si le prix d’un acte médical augmente parce qu’un nouvel équipement améliore la qualité des soins, la part attribuable à l’amélioration de la qualité est retirée du calcul de l’inflation. Les consommateurs continuent de payer pour ces améliorations de la qualité, qu’ils le veuillent ou non, de sorte que dans de nombreux cas, l’IPC sous-estime les pures augmentations de coûts.

&nbsp Il existe huit grandes catégories de l’IPC, et chaque catégorie possède son propre indice : alimentation et boissons, logement, habillement, transport, soins médicaux, loisirs, éducation et communication et autres. Ceux-ci sont pondérés pour former l’IPC global, les pondérations les plus importantes étant le logement à environ 44 % du total, les transports à 17 %, l’alimentation et les boissons à 14 % et les soins médicaux à 8 %. (Chacun de ces éléments est subdivisé en son propre indice ; par exemple, Autres inclut les soins personnels, et les soins personnels ont des indices distincts pour les cosmétiques, les parfums, les préparations pour le bain et les ongles.) Bien entendu, les pondérations ne refléteront pas vos pourcentages de ce que vous achetez.

&nbsp Le téléchargement des données historiques de l’IPC de la FRED (Banque fédérale de réserve de Saint-Louis) a été plus facile que prévu. Vous avez besoin d’une clé API que vous pouvez obtenir

&nbsp Voici un graphique linéaire montrant la croissance cumulée de l’IPC pour l’IPC global et chacune des huit principales catégories jusqu’en juin 2026, indexée sur décembre 2016 = 1,00. L’IPC global a augmenté de 37,1 % depuis décembre 2016. C’est le logement (loyer, assurance, énergie, etc.) qui a le plus augmenté, soit 44,8 %. Les transports (achats de véhicules, carburant, entretien, assurance, tarifs des transports en commun) viennent ensuite avec 43,5 %. L’alimentation (épicerie et restaurants) est en hausse de 39,9 %. Les soins médicaux sont inférieurs à 25,9 %. Les soins médicaux incluent les dépenses personnelles liées aux prestataires, aux hôpitaux et aux assurances, mais excluent les primes d’assurance maladie payées par l’employeur et par le gouvernement.

Les IPC excluent beaucoup de choses comme les changements de qualité que j’ai mentionnés ci-dessus et d’autres éléments que vous pouvez payer mais que le gouvernement ne classe pas comme dépenses personnelles. Nous sentons tous le coût de nos courses augmenter – j’en ai déjà parlé dans la section épicerie. Chaque catégorie a ses propres raisons pour lesquelles elle augmente ; Je laisserai cette discussion aux économistes, sauf pour dire que le coût de l’énergie affecte de nombreux éléments du coût de production et de livraison.

Comme de nombreuses mesures générales, l’IPC tente d’estimer le coût global des biens et services. Mais ce qui compte en fin de compte pour vous, c’est le coût réel des choses. toi acheter.

Voici mon code R :

library(tidyquant)
library(dplyr)
library(tidyr)
library(lubridate)
library(ggplot2)
library(ggrepel)   # repel overlapping text labels

# Set your API environment variable
Sys.setenv(FRED_API_KEY = "xxxx")


# Define the official FRED database tracking codes
cpi_series <- c(
  "CPIAUCSL", "CPIFABSL", "CPIHOSSL", "CPIAPPSL", 
  "CPITRNSL", "CPIMEDSL", "CPIRECNS", "CPIEDUNS", "CPIOGSNS"
)

# Download and clean data vectors
raw_data <- tq_get(cpi_series, get = "economic.data")   # get from FRED

# 2. Clean, Filter, and Perform Group-Indexing
cpi_processed <- raw_data %>%
  mutate(
    Year  = year(date),
    Month = month(date)
  ) %>%
  # Keep all Decembers from 2015 onward OR strictly isolate June 2026
  filter((Month == 12 & Year >= 2015) | (Year == 2026 & Month == 6)) %>%
  # Convert raw tracking codes into readable titles
  mutate(Category = case_when(
    symbol == "CPIAUCSL" ~ "Overall CPI",
    symbol == "CPIFABSL" ~ "1. Food & Bev",
    symbol == "CPIHOSSL" ~ "2. Housing",
    symbol == "CPIAPPSL" ~ "3. Apparel",
    symbol == "CPITRNSL" ~ "4. Transportation",
    symbol == "CPIMEDSL" ~ "5. Medical Care",
    symbol == "CPIRECNS" ~ "6. Recreation",
    symbol == "CPIEDUNS" ~ "7. Education & Comm",
    symbol == "CPIOGSNS" ~ "8. Other Goods"
  )) %>%
  # Chronologically sort each group, then anchor base-100 to the first row (Dec 2015)
  group_by(Category) %>%
  arrange(date, .by_group = TRUE) %>%
  mutate(Indexed_Value = (price / first(price)) * 100) %>% 
  ungroup() %>%
  # Convert Timeline to ordered categories for a clean discrete X-Axis
  mutate(Period = if_else(Month == 6, paste0(Year, " (June)"), as.character(Year))) %>%
  mutate(Period = factor(Period, levels = unique(Period[order(date)])))

# 3. Isolate final data point rows for the text tags
label_data <- cpi_processed %>%
  group_by(Category) %>%
  filter(date == max(date)) %>%
  ungroup()

# 4. Generate the Chart with the Categorical String Axis Baseline
ggplot(cpi_processed, aes(x = Period, y = Indexed_Value, color = Category, group = Category)) +
  geom_line(aes(linewidth = ifelse(Category == "Overall CPI", 1.5, 0.8))) +
  geom_point(size = 2) +
  
  # Non-overlapping direct text labels
  geom_text_repel(
    data = label_data,
    aes(label = paste0(Category, " (", round(Indexed_Value, 1), ")")),
    nudge_x = 0.5,             
    direction = "y",          
    hjust = 0,                
    segment.color = "grey50", 
    segment.size = 0.4,
    force = 2,
    fontface = "bold",
    size = 4   # millimters
  ) +
  
  # High-contrast visual color mapping matrix
  scale_color_manual(values = c(
    "Overall CPI"         = "#000000", 
    "1. Food & Bev"       = "#E64B35", 
    "2. Housing"          = "#56B4E9", 
    "3. Apparel"          = "#009E73", 
    "4. Transportation"   = "#4D8805", 
    "5. Medical Care"     = "#0072B2", 
    "6. Recreation"       = "#D55E00", 
    "7. Education & Comm" = "#CC79A7", 
    "8. Other Goods"      = "#999999"  
  )) +
  
  # Format plot margins to prevent label cropping
  scale_x_discrete(expand = expansion(mult = c(0.05, 0.35))) +
  scale_linewidth_identity() + 
  labs(
    title = "10.5-Year Cumulative CPI Growth Comparison",
    subtitle = "Base Index: December 2016 = 100",
    x = "Reporting Period",
    y = "Indexed Value (Relative to 100)"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    legend.position = "none",          
    panel.grid.minor = element_blank(),
    text = element_text(face = "bold"),
    plot.title = element_text(face = "bold", size = 14),
    axis.text = element_text(face = "bold")
  )

# 5. Save the final graphic output file
# ggsave("cpi_growth_comparison.png", width = 12, height = 7, dpi = 300, bg = "white")

# Extract and print the final 10.5-year cumulative values
final_column_summary <- cpi_processed %>%
  filter(date == max(date)) %>%
  select(Category, Indexed_Value) %>%
  mutate(Indexed_Value = round(Indexed_Value, 2)) %>%
  arrange(desc(Indexed_Value)) # Sorts from highest inflation to lowest

print(as.data.frame(final_column_summary))

Fin