Análise dos dados do CAGED com 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"]

Os dados do CAGED de fevereiro, divulgados pelo próprio presidente Michel Temer na última quinta-feira, se somam aos demais indicadores de que existe, de fato, uma recuperação em curso. Ainda que incipiente e tímida, já é possível dizer que a economia brasileira está deixando o pior da recessão para trás. Membros do Clube do Código receberão apresentação completa com análise dos dados do CAGED. Abaixo, fazemos um resumo desses dados.

O dado de fevereiro, um saldo positivo após 22 meses de valores negativos, em si, não deve ser tão comemorado assim. Isso porque, feito o ajuste sazonal, ele ainda é negativo. Mas, como mostra o gráfico acima, o valor na margem deve ser sempre complementado com alguma análise de tendência do que esteja ocorrendo no mercado de trabalho. Por essa abordagem, por suposto, o que podemos perceber é que de fato existe uma melhora em curso. Abaixo suavizamos o dado na margem com uma média móvel de três meses.

E abaixo ampliamos o horizonte de comparação com a média móvel anual.

Por essa métrica, por suposto, dá para visualizar o tamanho do estrago no mercado de trabalho. Na ponta, entretanto, os dados mostram que existe uma melhora em curso. Ainda, claro, que o dado continue sendo negativo, o importante é que a derivada mudou de sinal. Para complementar essa análise, plotamos abaixo a razão entre salários de admitidos e demitidos. Tipicamente, em períodos de piora no mercado de trabalho, essa razão cai, melhorando à medida que a ociosidade diminui.

A despeito de muitas perturbações, o que o dado diz é que parece estar ocorrendo uma estabilização. À medida que a recuperação avance, devemos ver um aumento dessa razão. Em outros termos, os salários médios dos admitidos passam a compor uma parcela maior dos salários dos demitidos. Isso indicará a consolidação da retomada.

Importante ressaltar, por fim, que ainda estamos em uma situação crítica no mercado de trabalho. A taxa de desemprego ainda deve ficar alta ao longo do ano. Uma reversão deve ficar mesmo para o segundo semestre. Mas há sinais de que existe uma recuperação em curso. E sim, diante do caos em que estávamos mergulhados há um ano atrás, isso é uma grande notícia. 🙂

 

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_3"][/et_pb_column][et_pb_column type="1_3"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/02/CLUBE.png" show_in_lightbox="off" url="https://analisemacro.com.br/clube-do-codigo/" 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_column][et_pb_column type="1_3"][/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

Resultado PNADc Trimestral - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PNADc Trimestral do 3º trimestre de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.