Um modelo preditivo para o desemprego medido pela PNAD

Amanhã, o IBGE divulga a taxa de desemprego medida pela PNAD Contínua referente ao mês de abril. Sazonalmente, o desemprego aumenta entre janeiro e março e começa a se reduzir a partir de abril. É o que deve ocorrer nesse ano, visto o que tem acontecido com o nível de atividade. Nesse Comentário de Conjuntura, nós atualizamos nosso modelo VEC de previsão para a taxa de desemprego, que é ensinado no Curso de Previsão Macroeconométrica usando o R.

No nosso modelo, utilizamos as seguintes variáveis explicativas: pesquisas no google trends, o índice antecedente de emprego da FGV, o índice de incerteza econômica também da FGV, o IBC-Br e a taxa básica de juros. A seguir, um gráfico com todas elas, mais o desemprego medido pela PNAD Contínua.

Uma vez coletadas as séries, procedemos o teste de johansen para verificar a existência de vetor de cointegração entre elas. O teste revela a existência de 2 vetores, o que nos leva a construir o modelo VEC.

A amostra é ainda dividida em treino e teste de forma a avaliar a acurácia do modelo, de acordo com as medidas convenientes. O modelo erra mais do que o desejado na amostra de teste, composta pelo período da pandemia. Um problema que econometristas de todo o mundo vem enfrentando nos dias atuais.

Feito o treino/teste, passamos para a previsão para os próximos meses. A tabela abaixo resume.

Previsões para a Taxa de Desemprego
Lower Média Upper
Abr/21 14.2 14.4 14.6
Mai/21 13.8 14.1 14.4
Jun/21 13.4 13.8 14.3
Jul/21 13.1 13.8 14.4
Ago/21 12.8 13.6 14.5
Set/21 12.3 13.4 14.6

A previsão para abril fica entre 14,2% e 14,6% da PEA, centrado em 14,4%. A expectativa é, por suposto, que o desemprego passe a ceder nos meses que seguem. Espera-se que nos próximos seis meses, haja um recuo de 1 ponto percentual na taxa, o que em termos absolutos significa menos 1 milhão de pessoas desempregadas.


Se confirmado, seria a melhor notícia dos últimos tempos...

____________________

(*) Para quem quiser ter acesso a todos os códigos desse e de todos os exercícios que publicamos ao longo da semana, visite o Clube AM.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como Medir o Ciclo das Concessões de Crédito usando Python

Este artigo apresenta uma análise quantitativa da relação entre o ciclo de concessões de crédito, a atividade econômica e a política monetária no Brasil. Utilizando a linguagem Python, o estudo aplica técnicas de decomposição de séries temporais (X13-ARIMA e Filtro HP) para isolar os componentes cíclicos dos dados. Os resultados da modelagem econométrica confirmam a pro-ciclicidade do crédito em relação ao hiato do produto e sua sensibilidade às variações no hiato da taxa de juros real.

Choque de juros e renda em bens duráveis e não duráveis usando Python

Este artigo analisa a dinâmica do consumo no Brasil utilizando Python e modelos de Vetores Autorregressivos (VAR). Ao segregar bens duráveis e não duráveis, o estudo quantifica a sensibilidade a choques de juros e renda. Criamos todo o processo através do ciclo de dados: coleta, tratamento, análise de dados, modelagem e apresentação dos resultados, tudo automatizado usando a linguagem Python.

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.