CAGED vs. PNAD Contínua

Há um burburinho no mundinho dos economistas com respeito às diferenças entre o CAGED e a PNAD Contínua. Para muita gente dentro do mercado, o CAGED não estaria sinalizando de forma clara, por diversos problemas metodológicos, a ociosidade na economia. Já a PNAD Contínua retrataria melhor o fundo do poço pelo qual passa no país.

Instigado por esse fato, eu resolvi dar uma aula gratuita na próxima terça-feira, às 21h, sobre como analisar as duas pesquisas com o R. Se você tiver interesse, se inscreve lá no nosso Canal do youtube e ativa o lembrete da aula aqui.

A análise de ambas as pesquisas é ensinada, diga-se, no nosso Curso de Análise de Conjuntura usando o R.

A coleta dos dados é feita via o SIDRA/IBGE e via o IPEADATA. Os dados são devidamente tratados de forma a poderem ser comparados, uma vez que o CAGED se refere a um fluxo e a PNAD se refere a um estoque.

Feito isso, chegamos ao gráfico abaixo.

As séries devidamente tratadas mostram uma situação interessante. A PNAD Contínua acabou por sinalizar mais o tombo em 2020 do que o CAGED. Ademais, em exercício anterior feito no âmbito do antigo Clube do Código, os resultados encontrados sugeriam que o CAGED tinha precedência temporal sobre a população ocupada com carteira da PNAD. Essa precedência parece ter mudado, ao incorporar os novos dados do CAGED: há, agora, uma "causalidade" nos dois sentidos. Tanto a população ocupada da PNAD influencia o CAGED, quanto o contrário.

A decomposição de variância entre as séries também mudou bastante. Antes, a variância do CAGED era explicada  basicamente pela própria série (quando incluíamos as duas séries em um modelo VEC), hoje cerca de 44% da variância é explicada pela PNAD Contínua. Já a PNAD, antes 44% da variância era explicada pelo CAGEd e o restante pela própria série. Agora, 75% da variância é explicada pela própria série.

Os resultados encontrados sugerem, diga-se, que houve uma mudança significativa na relação entre as duas séries, de modo que a PNAD Contínua pode ter se tornado um sinalizador melhor do que está ocorrendo com o mercado de trabalho.

Uma possível explicação para isso está, claro, na mudança metodológica feita no CAGED em janeiro de 2020, que passou a ter como fonte dos seus dados o eSocial.

O novo exercício será publicado no Clube AM na próxima semana.

Membros do Clube AM, por suposto, têm acesso a todos os códigos de ambos os exercícios.

____________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.