CAGED mostra aceleração na criação de vagas

O Ministério da Economia divulgou ontem os dados do CAGED, o cadastro geral de empregados e desempregados. O saldo de admitidos e demitidos chegou a 99,2 mil em novembro - 80,4 mil em termos dessazonalizados. A análise dos dados agregados do CAGED, que contam com script automático no nosso Curso de Análise de Conjuntura usando o R, permite verificar uma aceleração na criação de vagas.

A média móvel anual do saldo entre admitidos e demitidos chegou a 44,3 mil em novembro. Em termos de comparação, ela era de 35,5 mil em novembro de 2018 e de -21,4 mil em novembro de 2017. Em palavras outras, há uma aceleração em curso no mercado de trabalho formal.

A abertura do dado por setores mostra que a recuperação do emprego está sendo liderada pelos setores de serviços e comércio. A indústria ainda sofre os efeitos de choques exógenos, enquanto a construção civil tem ensaiado uma recuperação nos últimos meses.

A análise completa está disponível no 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.