Dessazonalizando os dados do CAGED com o R

O governo divulgou nessa semana os dados do Cadastro Geral de Empregados e Desempregados, o famoso CAGED. Com efeito, vi muitas matérias na imprensa sobre o resultado negativo em março de saldo negativo de 43.196 entre admissões e demissões. O problema desse resultado é que, como vemos em nosso Curso de Análise de Conjuntura usando o R, ele está contaminado por um problema típico de séries temporais, chamado sazonalidade, isto é, um comportamento que se apresenta de forma regular ao longo dos anos.

Para ilustrar esse problema, coloco abaixo o saldo do CAGED, que peguei do IPEADATA com o pacote ecoseries.

É nítido no gráfico um comportamento regular da série ao longo dos anos, não é mesmo? Assim, de forma a fazer uma análise precisa do que está acontecendo com a série do CAGED, precisamos primeiro "limpar" a sazonalidade. No R, como vemos em nosso Curso de Análise de Conjuntura usando o R, podemos fazer isso através do pacote seasonal. Fazendo esse tratamento, obtemos os dados do CAGED dessazonalizados como abaixo.

Totalmente diferente, não é mesmo? Com esse gráfico podemos ver que o mercado de trabalho vem ensaiando uma recuperação desde 2015/2016. Ao mesmo tempo, podemos ver que na ponta, de fato, março foi mesmo um mês ruim. A última vez que a série dessazonalizada tinha apresentado um mês negativo havia sido em fevereiro do ano passado.

Essa, diga-se, é a forma correta de fazer a análise dos dados, que você aprende em nosso Curso de Análise de Conjuntura usando o R.

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.