Ampliando a série de desemprego da PNAD Contínua com o R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Desde o ano passado, os economistas brasileiros estão orfãos da Pesquisa Mensal de Emprego do IBGE. Em seu lugar, o instituto tem divulgado mensalmente a PNAD Contínua com base em trimestres móveis. O problema nessa mudança é que a série da PNAD é curta, o que impede esses mesmos economistas de fazer algum exercício mais sofisticado com os dados. Esse, a propósito, é um dos problemas que temos ajudado a resolver com os cursos aplicados da Análise Macro. Vamos mostrar aqui como podemos usar o R para estender a amostra da taxa de desemprego da PNAD com base na taxa de desemprego da PME, tendo assim uma série com mais observações.

Abaixo levamos os dados para o R:


library(BETS)
pme = ts(read.csv2('pme.csv', header=T, sep=';', dec=',')[,-1],
start=c(2002,03), freq=12)
pnad = BETS.get(24369)
data = cbind(pme,pnad)

Uma vez importados os dados, observamos como esperado que as mesmas possuem tamanhos diferentes. Um primeiro ajuste, portanto, é igualar a amostra das séries. Isso é feito abaixo.


desemprego = ts(data[complete.cases(data),], start=c(2012,03), freq=12)

Abaixo um gráfico com as séries.

O gráfico nos mostra que a série da PNAD Contínua tem uma média maior do que a da PME. Ambas as séries caminham, entretanto, de forma parecida, a despeito da diferença da amostra. Abaixo as estatísticas descritivas das duas séries.

 

Taxa de Desemprego: PNAD Contínua vs. PME.
Statistic N Mean St. Dev. Min Max
pme 48 5,73 1,01 4,30 8,20
pnad 48 7,51 0,89 6,20 10,20

 

Uma vez definido o conjunto de dados, passemos ao exercício em si. Como o nosso objetivo é basicamente expandir a taxa de desemprego da PNAD Contínua, vamos então regredir a mesma contra a taxa da PME.


reg = lm(pnad~pme, data=desemprego)

A tabela 2 resume a regressão.

 

PNAD Contínua vs. PME
Dependent variable:
pnad
pme 0.842***
(0.037)
Constant 2.682***
(0.213)
Observations 48
R2 0.920
Adjusted R2 0.919
Residual Std. Error 0.253 (df = 46)
F Statistic 531.093*** (df = 1; 46)
Note: *p<0.1; **p<0.05; ***p<0.01

 

Em outras palavras, a taxa de desemprego da PNAD estimada e a da PME se relacionam pela equação

(1)   \begin{equation*} \hat{pnad} = 2,68 + 0,84pme \end{equation*}

Abaixo, plotamos a série original da taxa de desemprego da PNAD Contínua contra a taxa gerada pelo modelo.

Uma vez estimado o modelo, podemos agora utilizá-lo para construir nossa série de desemprego da PNAD Contínua para trás, com base na taxa de desemprego da PME. Isso é feito com o código abaixo.


### Criar Série PNAD Contínua Ampliada
pnad.pme = ts(data[!complete.cases(data[,2]),], start=c(2002,03), freq=12)
pnad.pme[,2] = coef(reg)[1] +coef(reg)[2]*pnad.pme[,1]
data[1:nrow(pnad.pme),2] = pnad.pme[1:nrow(pnad.pme),2]
pnad = data[,2]

E agora a taxa de desemprego que construímos.

Podemos, agora, dessazonalizar a nossa taxa de desemprego, utilizando o pacote seasonal e colocar abaixo as duas séries.

Temos agora duas séries, uma normal e outra dessazonalizada, que podemos utilizar em exercícios futuros. Observe, entretanto, que a mesma é apenas uma aproximação estatística da PNAD Contínua através da PME, ok? Até o próximo exercício e não esqueça de dar uma olhada nos cursos aplicados de R da Análise Macro! 🙂

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/06/fb.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/macroeconomia-aplicada" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como aplicar Balanceamento por Entropia no R?

Nesta postagem, apresentamos uma introdução ao Balanceamento por Entropia, comparando este método com a técnica de pareamento e demonstrando os resultados obtidos com a implementação do código em R.

Análise de Elasticidade Preço com Python

“Se eu aumentar o preço, o que vai acontecer com as vendas?” Uma forma de responder este tipo de pergunta é através de ferramentas analíticas de microeconomia, como a análise de elasticidade. Neste artigo, mostramos um exemplo prático utilizando dados reais com o Python.

Calculando o impulso de crédito no Python

Qual é o papel do crédito no crescimento da economia? Para analisar esta questão, calculamos o indicador de impulso de crédito para a economia brasileira e comparamos com o nível da atividade econômica usando o 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.