Dados do Payroll norte-americano com o R

Hoje o U.S. Bureau of Labor Statistics divulgou o dado do nonfarm payroll, ou seja, a quantidade de postos de trabalho não agrícolas criadas/destruídas ao longo do mês. O resultado para março foi de uma queda de 701 mil postos de trabalho. Uma destruição de postos de trabalho muito mais rápida do que a que houve em 2008.

Para visualizar os dados do payroll, podemos usar o pacote quantmod como no código abaixo.


library(quantmod)
library(ggplot2)
library(gridExtra)
library(dplyr)
library(magrittr)
library(scales)

getSymbols('PAYEMS', src='FRED')
data = tibble(date=as.Date(time(PAYEMS)),
payroll=PAYEMS) %>%
mutate(variacao = payroll - lag(payroll,1))

filter(data, date > '2000-01-01') %>%
ggplot(aes(x=date, y=variacao))+
geom_line(size=.8)+
geom_hline(yintercept=0, colour='red', linetype='dashed')+
scale_x_date(breaks = date_breaks("1 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
plot.title = element_text(size=12))+
labs(x='', y='Mil pessoas',
title='Variação mensal de postos de trabalho não-agrícolas nos Estados Unidos',
caption='FOnte: FRED Economic Data (quantmod R Package)')

(*) Isso e muito mais você aprende em nossos Cursos Aplicados de R.

___________


Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é GraphRAG e implementar usando LangChain

GraphRAG é uma técnica de recuperação de informação para LLMs que utiliza grafos de conhecimento para conectar entidades e relações, permitindo estruturar informações complexas presentes em textos. Neste exercício, mostramos como transformar as atas do Copom em um grafo capaz de compreender essas entidades e relações, respondendo a perguntas complexas de forma contextualizada. Com Python e LangChain, todo o processo se torna automatizado, simples e altamente explorável.

Shiny + Agentes de IA: como criar aplicativos web inteligentes

A combinação de interfaces de usuário interativas com o poder dos grandes modelos de linguagem (LLMs) está abrindo um universo de possibilidades. Imagine criar um aplicativo web que não apenas exibe dados, mas também conversa com o usuário, respondendo a perguntas complexas com base em uma base de conhecimento específica. Usando Shiny para Python e ferramentas de IA como as do Google, isso é mais acessível do que nunca.

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.