Hiato do Produto vs. Taxa de Desemprego

O IBGE divulgou hoje os resultados da PNAD Contínua - uma das pesquisas que destrinchamos na versão 3.0 do nosso Curso de Análise de Conjuntura usando o R. Ao abrir a pesquisa, as notícias, infelizmente, não são boas. A taxa de desemprego continua recuando muito lentamente. Em dois anos, fazendo o ajuste sazonal na série, houve recuo de apenas um ponto percentual no desemprego.

Isso tem impactos não triviais sobre o crescimento da economia. Como sabe todo estudante de economia, existe uma relação entre o hiato do produto, a diferença entre pib efetivo e pib potencial e o hiato de desemprego, medido pela diferença entre a taxa de desemprego efetiva e a natural. Uma redução muito lenta na taxa de desemprego vai ter, então, efeito sobre a redução do hiato do produto.

É basicamente o que vemos no gráfico acima.

Há entre empresários uma espécie de compasso de espera. Enquanto o Congresso não aprovar a reforma da previdência, dando cabo de uma agenda positiva para o país, será difícil ver a economia deslanchar, gerando emprego e renda...

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

FED Speeches: Quantificando a Incerteza da Política Monetária com IA e Python

Os discursos dos membros do FED podem dar indicativos relevantes sobre a condução da política monetária, como a percepção de incerteza na fala e na escolha das palavras. Sendo assim, monitorar e interpretar não é suficiente, é necessário quantificar a incerteza nos discursos. Neste exercício mostramos o caminho para construir um indicador de incerteza da política monetária, usando métodos inovadores de IA com o Python.

Medindo o Hiato do Produto do Brasil usando Python

Uma medida extremamente importante para a avaliação econômica de um país é o Hiato do Produto. Neste post, realizamos uma comparação das diferentes formas de estimação dessa variável não observável utilizando o Python como ferramenta de análise de dados.

Como analisar a contribuição para a Volatilidade de uma carteira de ações usando Python

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação 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.