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

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

Criando Tabelas com o Python: mostrando o poder da linguagem sobre o Excel

Nos dias atuais, pessoas que trabalham com dados estão constantemente confrontados com um dilema: criar uma tabela não tão genial no Excel ou manter em um formato ainda pior, como um dataframe, mas mantendo a flexibilidade de obtenção dos dados. Podemos resolver esse grande problema, unindo a flexibilidade e beleza ao usar a biblioteca great_tables do Python.

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.