CAGED antecipa retomada mais forte do nível de atividade

Na Edição 58 do Clube do Código, realizei uma série de testes estatísticos envolvendo o saldo dessazonalizado entre admitidos e demitidos do CAGED e o crescimento acumulado em 12 meses do PIB. Os resultados encontrados sugerem, de forma bastante forte, que existe causalidade no sentido do saldo do CAGED para o crescimento do PIB. Para a decomposição de variância, passados 12 períodos, o saldo do CAGED explica mais de 95% da variância no crescimento do PIB.

Com base nisso e nos resultados do CAGED no 3º tri, podemos dizer que tivemos um PIB acima do esperado na margem. É possível que o PIB tenha crescido até 0,5% frente ao segundo trimestre. Os dados do CAGED, por suposto, também costumam antecipar os resultados da PNAD Contínua. Isso significa que devemos ver uma redução na taxa de desemprego mais forte nos próximos meses, respeitada a sazonalidade da série, obviamente.

_______________________

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Como criar janelas móveis de séries temporais usando o Python

Como incorporar choques em cenários de previsão?

Como preparar os dados para um modelo preditivo?

Transfer Learning para Previsão de Séries Temporais com o Python

Como usar o Python para tratar e manipular dados financeiros

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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!