Dados do CAGED indicam crescimento mais forte em 2020

Os dados do Cadastro Geral de Empregados e Desempregados (CAGED) divulgados pelo Ministério da Economia mostram que o fluxo de emprego líquido formal se acelerou ao longo de 2019. O saldo dessazonalizado saiu de uma média de 32 mil empregos líquidos no 1º trimestre para 48 mil no terceiro. Dada a relação existente entre o saldo do CAGED e o crescimento do PIB, como mostro na Edição 58 do Clube do Código, espera-se que essa aceleração vista no CAGED tenha efeito sobre o crescimento econômico. Para ilustrar, abaixo nós coletamos os dados do PIB e do saldo do CAGED.


#####################################
####### CAGED vs. PIB ###############

## Pacotes
library(ecoseries)
library(sidrar)
library(xts)
library(ggplot2)
library(scales)
library(BMR)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")
#checkX13()

## Baixar dados
caged = ts(series_ipeadata('272844966',
periodicity = 'M')$serie_272844966$valor,
start=c(1999,05), freq=12)

tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202')
pib = ts(tabela$Valor, start=c(1996,01), freq=4)

O saldo do CAGED é mensal enquanto o PIB é uma série trimestral. Assim, precisaremos fazer alguns ajustes nas séries. O código abaixo implementa.


## Dessazonalizar Caged
cagedsa <- final(seas(caged))

## Criar variação anual
anual <- (((pib+lag(pib,-1)+lag(pib,-2)+lag(pib,-3))/4)/
((lag(pib,-4)+lag(pib,-5)+lag(pib,-6)+lag(pib,-7))/4)-1)*100

## Trimestralizar Caged
dates = seq(as.Date('1999-07-01'), as.Date('2019-09-01'),
by='1 month')
caged = window(cagedsa, start=c(1999,07), end=c(2019,09))
caged = data.frame(dates=dates, caged=caged)
caged = xts(caged$caged, order.by = caged$dates)
caged = apply.quarterly(caged, FUN=mean)
caged = caged[-1]
## Juntar os dados
pib = window(anual, start=c(1999,4))
pib = data.frame(dates=as.Date(time(caged)), pib=pib)
pib = xts(pib$pib, order.by = index(caged))
data = cbind(caged/1000, pib)
colnames(data) = c('Saldo CAGED', 'Crescimento PIB')

Uma vez que os dados estejam tratados, podemos criar um gráfico como abaixo.

A elevada correlação entre as séries também implica em uma causalidade, no sentido do saldo do CAGED para o  crescimento do PIB. Em outras palavras, o maior emprego líquido formal vai gerar maior crescimento econômico nos próximos trimestres. Na margem, isso já foi sentido, inclusive, com o número acima do esperado no 3º tri. Isso deve ser visto nas métricas mais suavizadas daqui para frente.

________________________

(*) Aprenda a usar o R para fazer análise de dados com nossos Cursos Aplicados de R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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?

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.