Desemprego seguirá elevado nos próximos meses

Ao longo de 2019, conforme previsão feita nesse espaço, a taxa de desemprego se manteve em patamar ainda elevado. Ao reestimar nossos modelos de previsão com dados mais recentes, conforme documentado na edição 53 do Clube do Código, obtemos resultados ainda bastante críticos. De fato, o desemprego deve permanecer ainda elevado nos próximos meses, se consolidando no principal problema macroeconômico do país.

Previsões para a Taxa de Desemprego
SARIMA Kalman BVAR Combinada
2019 Oct 11.7 11.6 11.7 11.6
2019 Nov 11.7 11.4 11.7 11.5
2019 Dec 11.7 11.3 11.6 11.4
2020 Jan 12.3 11.7 11.6 11.6
2020 Feb 12.9 12.1 11.5 11.9
2020 Mar 13.4 12.5 11.4 12.2

A tabela  acima resume as previsões geradas pela combinação de três modelos por meio do Erro Quadrático Médio (EQM) dos mesmos. Isto é, um modelo com maior EQM tem menor peso na combinação. Essa previsão pode ser expressa no gráfico abaixo.

A seguir, nós controlamos pela sazonalidade da série, dando uma visão melhor do comportamento da taxa de desemprego nos próximos meses.

A previsão é que o desemprego, já feito o ajuste sazonal, chegue a março do próximo ano em 11,6% da PEA, um valor ainda bastante elevado. Para além desses três modelos, também estimei um modelo com outro conjunto de variáveis explicativas, a saber: (i) índice coincidente de desemprego da FGV; (ii) índice antecedente de emprego da FGV; (iii) índice de incerteza econômica da FGV; (iv) pesquisas no Google pela palavra 'emprego'; (v) IBC-BR; (vi) taxa de juros Selic.

Com base em cenários estatísticos para essas variáveis, o desemprego se comportará conforme a tabela abaixo, com intervalo de confiança de 40%:

Previsões para a Taxa de Desemprego
Lower Média Upper
Out/19 11.0 11.3 11.6
Nov/19 11.0 11.3 11.6
Dez/19 11.1 11.4 11.7
Jan/20 11.1 11.5 11.8
Fev/20 11.2 11.5 11.8
Mar/20 11.2 11.5 11.8

A seguir, colocamos um gráfico com essas projeções a partir do modelo alternativo com variáveis exógenas:

Os resultados, ao considerarmos um conjunto mais amplo de variáveis explicativas para a taxa de desemprego, são um pouco melhores do que a previsão combinada. Contudo, o nível do desemprego ainda permanece oscilando no intervalo entre 11% e 11,8%, o que leva a população desocupada a flutuar entre 11,6 e 12,5 milhões de pessoas. Um número ainda bastante elevado.

_______________

(*) Para aprender a fazer previsão combinada, conheça nosso Curso de Construção de Cenários e Previsões usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.