CAGED para um lado, PNAD para outro?

Essa semana, saíram dados do Cadastro Geral de Empregados e Desempregados (CAGED) do Ministério do Trabalho, referentes ao emprego formal, com carteira e dados mais amplos da Pesquisa Nacional por Amostram de Domicílios (PNAD Contínua). A seguir, comento alguns destaques de ambas as pesquisas, utilizando os scripts automáticos de R que ensino no nosso Curso de Análise de Conjuntura usando o R.

Os dados do CAGED podem ser baixados a partir do IPEADATA com o pacote ecoseries. O código a seguir exemplifica.


library(ecoseries)

## Baixar dados
caged = ts(series_ipeadata('272844966',
periodicity = 'M')$serie_272844966$valor,
start=c(1999,05), freq=12)

Como há uma sazonalidade desconcertante nos dados, é preciso fazer um ajuste nos mesmos - ensino nesse vídeo aqui a fazer o ajuste. Uma vez feito o ajuste, podemos construir um gráfico como o abaixo, usando o pacote ggplot2.

Há, por suposto, uma nítida recuperação do saldo entre admitidos e demitidos. Na ponta e sem ajuste, foram gerados esse ano 539.640 postos líquidos de trabalho com carteira assinada. Isso é uma boa notícia, obviamente, para um mercado de trabalho que ainda sofre os efeitos de uma das maiores recessões da nossa História.

Olhando para o mesmo item na PNAD Contínua, isto é, a população ocupada com carteira assinada, o ritmo de recuperação ainda se mostra bastante lento, com alguns recuos na margem, como é possível notar no gráfico abaixo.

O estoque de ocupados com carteira vem caindo desde junho nessa pesquisa. Na margem, por suposto, a recuperação da população ocupada vem sendo liderada pelos ocupados sem carteira e pelos "conta-própria", como é possível verificar na abertura desse grupo, como no gráfico abaixo.

Vem daí, por suposto, os vetores que tem impulsionado uma queda (lenta) da taxa de desocupação, como pode ser visto no gráfico a seguir.

CAGED e PNAD Contínua têm metodologias e abordagens distintas, obviamente, mas é curioso notar a discrepância entre uma e outra na margem. A acompanhar os próximos meses...

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.