Relatório AM #12 - PIM-PF

No Relatório AM dessa semana, vamos visualizar os movimentos recentes da PIM-PF e apresentar os resultados de nossas previsões para as próximas duas observações desse índice, baseados em modelos estatísticos de ponta. Abaixo, reportamos a pesquisa em suas três principais divisões, e também o índice da indústria automotiva, que possui grande influência sobre o total. Como podemos ver, tal setor ainda não se recuperou, especialmente em comparação com o geral da indústria de transformação, como resultado de choques de oferta na cadeia de produção de veículos.

Também podemos observar as diferenças nos comportamentos de cada índice em sua variação interanual. É interessante notar a natureza mais volátil da indústria extrativa, enquanto que a de automóveis, que era particularmente estável até a pandemia, teve um congelamento quase total, o que causa números tão grandes em seu gráfico.

Para finalizar, apresentamos abaixo os resultados de nosso modelo de previsão para a variação interanual da indústria geral.

________________________

(*) Para entender mais sobre nível de atividade e análise de conjuntura econômica, confira nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

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.

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.