Mais desemprego, menor a proporção de emprego com carteira na população ocupada

Escrevi nesse espaço no último domingo sobre a forte relação (negativa) entre a taxa de desemprego e a razão entre emprego com carteira e população ocupada. Isto é, mais desemprego está associado a menos emprego formal como proporção da população ocupada. Naquela oportunidade, meu ponto principal era mostrar que mesmo para níveis muito baixos de desemprego, o grau de formalização era pouco superior à metade da população ocupada.

Volto ao tema nesse Comentário de Conjuntura, cujos códigos completos estarão disponíveis logo mais no Clube do Código, para revelar que não apenas existe uma correlação forte entre as séries, mas também há uma relação de causalidade unidirecional entre elas, se aplicado às mesmas a metodologia proposta por Toda e Yamamoto (1995). De modo a relembrar, abaixo o código que carrega alguns pacotes e importa o arquivo clt.csv, contendo as séries que utilizei no exercício.


library(magrittr)
library(dplyr)
library(readr)
library(ggplot2)
library(scales)
library(forecast)
library(vars)
library(aod)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")

data = read_csv2('clt.csv',
col_types = list(col_date(format='%d/%m/%Y'),
col_double(), col_double(),
col_double())) %>%
mutate(razao = po_carteira/po*100)

desemprego_sa = ts(data$desemprego, start=c(2002,03), freq=12)
desemprego_sa = final(seas(desemprego_sa))

data = mutate(data, desemprego_sa=desemprego_sa)

E a seguir, um gráfico das séries de desemprego com ajuste sazonal e a razão entre população ocupada com carteira assinada e população ocupada total.

Como mostrei no post anterior, há uma forte correlação negativa entre as séries de -0,93. A relação entre as séries, contudo, não fica apenas nisso. Além de correlacionadas, existe uma relação de causalidade unidirecional entre elas. Para verificar esse ponto, utilizamos a metodologia proposta por Toda e Yamamoto (1995), já que as séries não são estacionárias em nível. O código a seguir implementa o teste.


################ TESTE DE CAUSADALIDE #########################
### VAR(1)
subdata = data[,5:6]
var1 <- VAR(subdata, p=1, type='none')
serial.test(var1)
### Teste de Wald
var2 <- VAR(subdata, p=2, type='none')
### Wald Test 01: Desemprego não granger causa formalização
wald.test(b=coef(var2$varresult[[1]]),
Sigma=vcov(var2$varresult[[1]]),
Terms=2)

### Wald Test 02: formalização não granger causa desemprego
wald.test(b=coef(var2$varresult[[2]]),
Sigma=vcov(var2$varresult[[2]]),
Terms= 1)

De fato, quando a hipótese nula é que o desemprego não granger causa a razão de formalização, temos uma rejeição da mesma. Para o caso contrário, nós não conseguimos essa rejeição. Assim, podemos dizer que mais desemprego causa menos formalização no mercado de trabalho. O que, diga-se, é meio intuitivo. À medida que a taxa de desemprego aumenta, as pessoas costumam se virar, o que aumenta a proporção de emprego informal na população ocupada.

Tudo isso dito, meu ponto no post anterior é bastante simples: mesmo para níveis muito baixos de desemprego, o emprego com carteira alcançou pouco mais da metade da população ocupada. Isso sugere que é impossível universalizar o emprego com carteira assinada para toda a população ocupada.

__________________

Toda H.Y.; Yamamoto T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66, 225–250. 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

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.