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

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.