Desemprego de longo prazo no Brasil

By | Comentário de Conjuntura

O IBGE divulgou na última sexta-feira a PNAD Contínua em seu recorte trimestral - os dados podem ser vistos aqui. A pesquisa tem diversos indicadores interessantes, como o tempo de procura por emprego entre os desocupados e medidas de subutilização da força de trabalho. Nesse Comentário de Conjuntura, vamos ilustrar o desemprego pelo tempo de procura, dando uma ideia do desemprego de longo prazo no Brasil e sua relação com o desemprego total.

O desemprego de longo prazo é uma medida internacionalmente conhecida e pode ser definida pelo tempo de procura por emprego superior a dois anos. Ela é um indicador importante não apenas por sinalizar o nível e o tempo de ociosidade da economia, mas também por refletir a perda de produtividade dentro do ciclo econômico. Em particular, quanto mais tempo a pessoa fica desempregada, maior a perda de capital humano, mais difícil é conseguir um novo posto de trabalho (Ball e Mankiw, 2002).

Nesse contexto, uma retomada demorada da economia pode agravar um fenômeno conhecido na literatura de economia do trabalho chamado de histerese. Isto é, a dificuldade de um objeto, no caso a taxa de desemprego, em voltar ao seu estado original após sofrer um determinado choque. Ou, em outras palavras, a dificuldade do desemprego ceder após uma alta pronunciada como a que temos observado nos últimos anos.

Essa dificuldade estaria relacionada justamente à perda de capital humano associada ao desemprego por longo período.

Para verificar o estágio do desemprego de longo prazo no Brasil, vamos pegar os dados da tabela 1616 com a ajuda do pacote sidrar. O código abaixo implementa.


table = get_sidra(api='/t/1616/n1/all/v/4092/p/all/c1965/all')
pea = get_sidra(api='/t/4093/n1/all/v/4088/p/all/c2/6794')$Valor
total = table$Valor[table$`Tempo de procura de trabalho (Código)`==40310]
ummes = table$Valor[table$`Tempo de procura de trabalho (Código)`==31827]
umano = table$Valor[table$`Tempo de procura de trabalho (Código)`==31828]
umdosanos = table$Valor[table$`Tempo de procura de trabalho (Código)`==31829]
doisanos = table$Valor[table$`Tempo de procura de trabalho (Código)`==101227]

O código pega os dados referentes ao tempo de procura por emprego. A seguir, nós preparamos nossos dados para um gráfico de área empilhado.


time = seq(as.Date('2012-03-01'), as.Date('2019-12-01'), by='3 month')
data = cbind(ummes/total, umano/total, umdosanos/total,
doisanos/total)*100
colnames(data) = c('Menos de 1 mês', 'De 1 mês a menos de 1 ano',
'De 1 ano a menos de 2 anos', '2 anos ou mais')

longrun = xts(data, order.by=time)
longrun = data.frame(time = index(longrun),
melt(as.data.frame(longrun)))
colnames(longrun) = c('time', 'Indexador', 'value')

E o gráfico.


ggplot(longrun, aes(x = time, y = value)) +
geom_area(aes(colour = Indexador, fill = Indexador))+
xlab('')+ylab('Participação Percentual')+
labs(title='Desemprego de Longo Prazo no Brasil',
caption='Fonte: analisemacro.com.br')+
theme(legend.position = 'top',
legend.title = element_blank())

O desemprego de longo prazo representa algo como 1/4 do desemprego total. No quarto trimestre de 2019, eram 2,9 milhões de pessoas nessa situação. Acompanhar o avanço dessa métrica é uma maneira de verificar o quanto a retomada da economia está ganhando tração.

(*) Ver Ball, Laurence, and N. Gregory Mankiw. 2002. "The NAIRU in Theory and Practice ." Journal of Economic Perspectives16 (4): 115-136.

(**) Aprenda a analisar dados em nossos Cursos Aplicados de R.

___________________


Crescimento esperado para 2020 começa a cair

By | Indicadores

Nas semanas anteriores, o IBGE divulgou os dados de nível de atividade das pesquisas de alta frequência (PMC, PMS e PIM-PF) referentes a dezembro. O Banco Central também divulgou o seu indicador de nível de atividade, o IBC-Br. Os resultados foram negativos na margem, mostrando uma dissipação dos efeitos do FGTS no quarto trimestre. Com efeito, há um início de revisão pelas instituições participantes do boletim Focus na expectativa de crescimento para esse ano.

Há uma semana era esperado crescimento de 2,3% para 2020. Agora, o crescimento está em torno de 2,23%. A piora nos indicadores de nível de atividade mostra que a recuperação da economia brasileira ainda é bastante incipiente. Corrobora com esse cenário a permanência dos núcleos de inflação no limite inferior da meta.

Esse cenário de atividade fraca e núcleos inflação mostrando ociosidade ainda elevada começa a levar a uma revisão na expectativa de juros para o ano que vem. Os participantes do TOP5 Médio Prazo já enxergam uma taxa de juros de 5,75% no final de 2021, abaixo dos 6,25% que eram projetados há quatro semanas. A mediana do mercado também revisou a expectativa para 6% na semana passada.

A semana, por fim, é marcada pela divulgação do IPCA-15 e pelos dados do CAGED.

(*) Isso e muito mais você aprende em nossos Cursos Aplicados de R.

___________


Cursos Aplicados de R: Último Dia de Inscrições!

By | Cursos da Análise Macro

HOJE É O ÚLTIMO DIA PARA SE INSCREVER nas Turmas do 1º Semestre de 2020 dos nossos Cursos Aplicados de R. As inscrições terminam às 23h59 dessa sexta-feira. Temos vagas para 16 Cursos Livres e 3 Formações. As turmas do 1º semestre terão início no dia 17/02 e contarão com Nivelamento em R, de modo que não é necessário nenhum conhecimento prévio na linguagem. Para todos os detalhes sobre as Turmas do 1º Semestre de 2020, continue lendo esse informativo...

Há vagas para as cinco áreas dos nossos Cursos Livres: Data Science, Macroeconomia Aplicada, Econometria, Finanças e Central Banking. Abaixo todos os Cursos e Formações com vagas abertas:

Cursos de Data Science

Macroeconomia Aplicada

Cursos de Econometria

Cursos de Finanças

Cursos de Central Banking

Além disso, também abrimos inscrições para as nossas Formações:

Combos

Exclusivamente para essa edição dos nossos Cursos Aplicados de R, oferecemos combos com todos os Cursos das áreas vistas acima com 30% de desconto. As vagas dos combos são limitadas aos primeiros inscritos. Você pode adquirir pelos links abaixo:

Planos Disponíveis

Em relação aos planos disponíveis, para os cursos de Análise de Conjuntura, Introdução ao R para Análise de Dados, Macroeconometria II, Microeconometria, Machine Learning, Política Monetária, Modelos do Banco Central, Gestão de Portfólios e para as Formações, será ofertado um Plano Único com acesso por 12 meses, suporte customizado do professor e acesso ao Clube do Código também por 12 meses. Os preços variarão de acordo com a complexidade de cada Curso. Nosso objetivo com isso é dar um treinamento totalmente customizado para os alunos inscritos. Para os demais Cursos, ofereceremos um plano básico e um plano premium. O plano básico dá acesso apenas ao material do curso até 30/06. Já o Plano Premium concede todas as regalias listadas anteriormente no plano único.

Investimento

Os preços dos Cursos variam de acordo com a complexidade do conteúdo. Os alunos poderão financiar a aquisição dos Cursos em até 10x sem juros no cartão de crédito.

Qualquer dúvida adicional, por favor, mande e-mail para comercial@analisemacro.com.br.

_____________



Introdução à Séries Temporais

By | Dicas de R

Uma série temporal é, basicamente, uma sequência de observações tomada ao longo de um período de tempo. Em termos um pouco mais formais, como posto em Bueno (2011), dizemos que uma série temporal \left \{y_{1}, y_{2}, ..., y_{T} \right \} é uma possível realização de um processo estocástico, sendo este uma sequência de variáveis aleatórias. Diversos conjuntos de dados se apresentam como uma série temporal, como a taxa de desemprego, os juros básicos de uma economia, o PIB, a taxa de inflação, etc, o que torna esse campo da econometria extremamente importante. Para além da economia, há também aplicações do que chamamos de econometria de séries temporais na engenharia, nos negócios, nas ciências naturais, nas ciências sociais, etc.

Como posto em Enders (2009), "(...) the task facing the modern time-series econometrician is to develop reasonably simple models capable of forecasting, interpreting and testing hypotheses concerning economic data".

A econometria de séries temporais estará, nesse contexto, preocupada em explicar o passado de uma determinada variável, construir relações entre variáveis distintas e gerar previsões para alguns períodos à frente. Para isso, devemos construir modelos, simplificações da realidade que buscam ressaltar algumas características importantes das séries em que estamos interessados.

# Séries Temporais e Processos Estocásticos

Sendo um pouco mais formal, podemos verificar como os conceitos de série temporal e processo estocástico se relacionam. Usando Pfaff (2008),

Um processo estocástico é uma sequência ordenada de variáveis aleatórias, podendo ser definido formalmente como

(1)   \begin{equation*}\left \{y(s,t), s \in S, t \in \Im \right \}\end{equation*}

onde, para cada t \in \Im, y(., t) é uma variável aleatória no espaço amostral S, e a realização desse processo estocástico é dada por y(s, .) para cada s \in S com respeito a um ponto no tempo t \in \Im. Consequentemente, \textbf{a série temporal que observamos é uma realização particular de um processo estocástico desconhecido}. Ela pode ser representada como segue

(2)   \begin{equation*} \left \{ y \right \}_{t=1}^{T} = \left \{ y_{1}, y_{2}, ..., y_{t}, ..., y_{T-1}, y_{T} \right \} \end{equation*}

Nesses termos, esse processo estocástico desconhecido é o que chamamos de processo gerador dos dados que formam uma série temporal. Cada y_{t} em \left \{ y \right \}_{t=1}^{T} é, desse modo, apenas um valor possível de uma variável aleatória. Uma variável aleatória, por seu turno, é aquela que assume valores numéricos e tem um resultado que é determinado por um experimento. Para maiores detalhes sobre fundamentos estatísticos, ver, por exemplo, os apêndices de Wooldridge (2013). O desafio do econometrista será, portanto, tendo acesso apenas à série temporal, buscar compreender esse processo estocástico desconhecido. Quanto melhor for essa compreensão, melhor será a modelagem e, com efeito, a previsão de observações futuras.

# Decomposição de uma série temporal

De modo a compreender o processo gerador de dados de uma determinada série temporal, pode ser interessante decompô-la em alguns componentes. Como em Cowpertwait et al. (2009)

(3)   \begin{equation*} y_{t} = TD_{t} + sz_{t} + \varepsilon_{t} \end{equation*}

Onde, no tempo t, y_{t} é uma série temporal, TD_{t} é uma tendência, sz_{t} é um efeito sazonal e \varepsilon_{t} é um termo de erro. No \mathbf{R}, podemos fazer essa decomposição com a função decompose, como abaixo.


### Importar e decompor dados da Inflação
inflacao = Quandl('BCB/433', order='asc', type='ts',
start_date='2007-01-01')
inflacao %>%
decompose %>%
autoplot

Escolhemos acima a série de inflação medida pelo Índice de Preços ao Consumidor Amplo (IPCA). Observe o leitor que é possível verificar os dados observados, um componente de tendência, a parte sazonal e um termo de erro. Como veremos ao longo do nosso curso de Séries Temporais usando o R, identificar corretamente esses componentes é um passo importante para compreender o processo gerador de dados de uma série.

# Sazonalidade

Como vimos acima, a inflação apresenta um componente sazonal bastante nítido.


ggmonthplot(inflacao)

Isto é, em um ano calendário, uma série pode apresentar um comportamento que se repete.

# Estacionariedade

Uma característica extremamente importante de uma série temporal, que percorrerá praticamente todo o nosso curso de Séries Temporais usando o R, é o de estacionariedade. Como vimos acima, uma série temporal nada mais é do que a realização particular de um processo estocástico. Essa realização, contudo, pode ser estacionária ou não. Observe, por exemplo, a série abaixo.


n <- 150
eps <- rnorm(n)
trend <- seq_len(n)
x2 <- rep(0, n)
for (i in seq.int(2, n)){
x2[i] <- trend[i] + x2[i-1] + eps[i]
}

autoplot(ts(x2))

Ao olhar a série acima, chama atenção a tendência da mesma. Significa dizer que se estivéssemos interessados em modelar a série, teríamos de levar essa tendência crescente em consideração. Isso é, de fato, um problema. Para entendermos melhor essa questão, vamos definir o que seja uma série estacionária.

Com base em Enders (2009), podemos assumir que um processo estocástico, tendo uma média e variância finitas, será covariância estacionário se para todos t e t-k,

(4)   \begin{eqnarray*} E(y_{t}) = E(t-k) = \mu \\ E\left [(y_{t} - \mu)^2 \right ] = E\left [(y_{t-k} - \mu)^2 \right ] = \sigma_{y}^2 \\ E\left [(y_{t} - \mu)(y_{t-k} - \mu) \right ] = E\left [(y_{t-j} - \mu)(y_{t-j-k} - \mu) \right ] = \gamma_{k} \end{eqnarray*}

onde \mu, \sigma_{y}^2 e \gamma_{k} são todas constantes. Em termos simples, desse modo, uma série temporal é convariância estacionária se sua média e todas as autocovariâncias não são afetadas por mudanças na origem do tempo. Em outras palavras, como explica Wooldridge (2013), 'a estacionariedade da covariância enfatiza somente os primeiros dois momentos de um processo estocástico: a média e a variância do processo são constantes no decorrer do tempo e a covariância entre y_{t} e y_{t+h} depende somente da distância entre os dois termos, h, e não da localização do período de tempo inicial, t.'

A estacionariedade é extremamente importante para a modelagem de uma série temporal. Isso porque, suponha que estejamos regredindo \left \{ y \right \}_{t=1}^{T} contra \left \{ x \right \}_{t=1}^{T}. Se estivermos lidando com séries não estacionárias, isso implica que os coeficientes que encontrarmos não serão representativos da relação entre elas. Estaremos, assim, encontrando uma relação espúria. Logo, antes de construir um modelo econométrico, precisaremos nos certificar se as séries em questão são, de fato, estacionárias ou, claro, lidar com esse fato através de algum outro procedimento, como veremos mais à frente nesse curso.

# Tipos de modelos de séries temporais

Há, basicamente, duas formas de se entender uma série temporal, do ponto de vista econométrico. Modelos de série temporal podem ser:

Modelos Univariados - as características da série de interesse são explicadas exclusivamente a partir do comportamento da própria série;

Modelos Multivariados - as características da série de interesse são explicadas não apenas em função da própria série, mas também por outras séries. Os modelos multivariados podem ser escalares, quando há apenas uma única equação, ou vetoriais, quando há múltiplas equações.

Quando se utilizará uma ou outra forma de modelagem vai depender muito das características da nossa série de interesse, como veremos ao longo do nosso curso.

___________________

(*) Isso e muito mais você aprende em nosso curso de Séries Temporais usando o R



Núcleos vs. Meta de Inflação

By | Comentário de Conjuntura

Como tenho mostrado nesse espaço ao longo das últimas semanas, a inflação medida pelo IPCA sofreu um choque no último trimestre de 2019 causado, basicamente, pela maior demanda da China por proteínas. Isso fez com que subitens ligados à carne tivessem um repique inflacionário, causando um deslocamento do índice cheio para próximo da meta de inflação. Os dados mais recentes, contudo, mostram uma dissipação desse movimento. Não por outro motivo, a expectativa de inflação para o final de 2020 despencou no Focus, chegando a 3,25% - para uma meta de 4%.

Mais interessante do que acompanhar o índice cheio, entretanto, tem sido verificar o comportamento dos núcleos de inflação. A ideia de um núcleo é capturar a tendência da inflação ao longo do tempo, retirando assim variações idiossincráticas. Em outros palavras, busca capturar a persistência do aumento de preços ao longo do tempo. Considere, por exemplo, que o preço de um bem/serviço {i} varie de acordo com a equação \pi_{i,t} = \pi_t + \mu_{i,t}, onde \pi_t representa uma tendência e \mu_{i,t} uma idiossincracia. Desse modo, para {n} bens/serviços, o núcleo será dado por:

(1)   \begin{align*} \pi_t^{nucleo} = \sum_{i=1}^{n} \omega_{i}\pi_{i,t} - \sum_{i=1}^{n} \omega_{i}\mu_{i,t} \end{align*}

Em outras palavras, o objetivo do núcleo é reconhecer e retirar a parte idiossincrática, \sum_{i=1}^{n} \omega_{i}\mu_{i,t}, concentrando-se na verdadeira tendência da variação dos preços ao longo do tempo. Não à toa, Bancos Centrais de todo o mundo procuram construir e acompanhar medidas de núcleo de inflação. No Brasil, em particular, temos atualmente sete medidas de núcleo - para saber mais sobre eles, ver aqui.

Tendo isso em consideração, podemos nos concentrar nos núcleos de inflação mais sensíveis ao ciclo econômico, isto é, à ociosidade da economia. Das sete medidas construídas e divulgadas pelo Banco Central, os núcleos IPCA-EX2 e IPCA-EX3 seriam aqueles mais correlacionados à medidas de hiato do produto. Com efeito, podemos compará-los à meta de inflação. O gráfico a seguir ilustra.

Como é possível verificar, os núcleos mais sensíveis ao hiato do produto estão performando próximos ao limite inferior da meta de inflação, após a desinflação de 2016. A posição dos núcleos nessa situação, por suposto, mostra uma ociosidade ainda bastante elevada, com baixa pressão inflacionária.

O que esse dado mostra é que a política monetária atual, situada em posição expansionista, é condizente com o estado da economia, de elevada ociosidade. E, ademais, não há motivo para esperar uma alta de juros tão cedo por parte do Comitê de Política Monetária. O risco aqui, como mostra a ata divulgada hoje pela manhã, é de que o Comitê tenha de rever a posição de manutenção dos juros em 4,25% para baixo em algum ponto nos próximos meses. Combinado, claro, com a perspectiva para o nível de atividade.

(*) Isso e muito mais você aprende em nossos Cursos Aplicados de R.

___________


Cadastre-se na newsletter
e receba nossas novidades em primeira mão!