Índice de Desistência de Procura por Emprego (IDPE)

procuraOntem o IBGE divulgou a Pesquisa Mensal de Emprego (PME) de abril, indicando mais uma queda na taxa de desemprego: de 5% em março para 4,9%. A despeito do número aparentemente favorável, esse foi um mês em que a saída de pessoas da população economicamente ativa (PEA) mais que compensou a entrada de pessoas na população ocupada (PO). Em palavras outras, a menor procura por emprego torna-se mais relevante do que a contratação das empresas para explicar a queda da taxa de desemprego. Com efeito, a tabela ao lado mostra um Índice de Desistência de Procura por Emprego (IDPE), mostrado graficamente aqui. Toda vez que o desemprego cair porque o módulo da diferença da PEA entre um mês e o mês anterior foi superior ao respectivo módulo da PO, o índice atribui "1". Desde abril de 2002 isso aconteceu 27 vezes ou 19% dos casos. Ademais, esse foi o sexto mês consecutivo em que a PEA registra queda em relação ao mês anterior, indicando que as pessoas estão procurando menos emprego. Desse modo, mesmo com a baixa geração de vagas pelas empresas, o desemprego se mantém em patamar historicamente baixo.

 

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.