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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.