Google Trends e previsão do desemprego no Brasil

A pandemia do coronavírus impôs diversos desafios para a humanidade, nos mais diferentes campos. Em termos de previsão de variáveis macroeconômicas, não é diferente. O ajuste dos modelos tem sido um desafio para economistas e analistas de mercado, que possuem a árdua e ingrata tarefa de antecipar eventos futuros. Pensando nisso, nesse Comentário de Conjuntura buscamos implementar um modelo de previsão para a taxa de desemprego medida pela PNAD Contínua que utiliza termos de busca do Google Trends.

A base de dados do Google Trends é hoje em dia bastante conhecida por especialistas que se dedicam à tarefa de forecasting, tendo um amplo conjunto de artigos e papers que fazem uso da mesma para esse fim. D´Amuri e Marcucci, 2017, por exemplo, fazem uso dessa base para construir um modelo de previsão para o desemprego nos Estados Unidos. Os resultados encontrados sugerem que essa base de dados é um bom preditor para a taxa de desemprego norte-americana.

Tendo o mesmo objetivo que os autores, nós revisamos um modelo de cointegração para o desemprego que inclui os termos de busca empregos seguro desemprego, que são ilustrados acima. A inclusão do termo seguro desemprego procura "tratar" o efeito pandemia, que causou um forte choque sobre a taxa de desemprego medida pela PNAD Contínua, como pode ser visto abaixo.

Além dos termos de busca do GT, também adicionamos mais algumas co-variáveis ao modelo, listadas a seguir.

O modelo é implementado, então, no R, com o auxílio da biblioteca vars e uso da metodologia de Johansen. A seguir, um gráfico que apresenta a previsão fora da amostra considerada.

Os códigos que implementam o exercício estão disponíveis para os membros do Clube AM.

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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.