Relatório AM #16 - Payroll

Na sexta-feira, 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 agosto foi de uma criação de 235 mil postos de trabalho. O dado veio bem abaixo do esperado.

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


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

getSymbols('PAYEMS', src='FRED')
data = tk_tbl(PAYEMS, preserve_index = TRUE, rename_index = 'date') %>%
rename(payroll=PAYEMS) %>%
mutate(variacao = payroll - lag(payroll,1))

subdata = filter(data, date > '2020-06-01')

ggplot(subdata, aes(x=date, y=variacao))+
geom_bar(stat='identity', colour=ifelse(subdata$variacao>0, 'darkblue', 'red'),
fill=ifelse(subdata$variacao>0, 'darkblue', 'red'))+
geom_text(aes(label=round(variacao,2),
vjust = ifelse(variacao > 0, 1, -1)), size=2.6,
hjust=0.5, colour="white", fontface='bold')+
geom_hline(yintercept=0, colour='black', linetype='dashed')+
scale_x_date(breaks = date_breaks("1 month"),
labels = date_format("%b/%y"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
plot.title = element_text(size=9, face='bold'),
plot.subtitle = element_text(size=8, face='italic'),
panel.background = element_rect(colour='white', fill='white'),
axis.text.x.bottom = element_text(size=8, face='bold'))+
labs(x='', y='Mil pessoas',
title='Payroll mais fraco do que o esperado',
subtitle='Variação mensal de empregos não agrícolas criados nos Estados Unidos (mil)',
caption='FOnte: FRED Economic Data (quantmod R Package)')

______________________

(*) Aprenda a coletar e tratar dados macroeconômicos com o nosso Curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

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.

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.