Análise da PNAD Contínua com o R: desemprego atinge 12,4% da PEA

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

O IBGE divulgou hoje os resultados da PNAD Contínua referentes ao trimestre móvel encerrado em junho último. De uma população de pouco mais de 208 milhões de pessoas, quase 13 milhões encontravam-se desocupadas naquele período. Esse número é 3,9% menor do que o registrado no trimestre móvel encerrado em junho do ano passado. Na mesma métrica, a população ocupada aumentou 1,1% e a população economicamente ativa (PEA) teve aumento de 0,5%. Em termos percentuais, o desemprego atingiu 12,4% da PEA. Na sequência do post, coletamos e tratamos dados da PNAD Contínua com códigos de R que são detalhadamente explicados em nosso Curso de Análise de Conjuntura usando o R.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/07/post.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" 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_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

Com o uso do R, é possível integrar em um único ambiente a coleta, tratamento e apresentação de dados como os da PNAD Contínua, gerando um produto final como esse aqui sem a necessidade de abrir múltiplos programas ou perder tempo entrando em sites para baixar dados. Tudo é feito via uma plataforma integrada como o RStudio, que possibilita um aumento incrível de produtividade. A começar pela coleta de dados, que hoje já pode ser feita de uma base de dados como o SIDRA com um pacote do R, como no código a seguir.


library(sidrar)

### Coletar dados no SIDRA IBGE

data = get_sidra(api='/t/6022/n1/all/v/606/p/all')

Os dados coletados, naturalmente, estão desorganizados, de modo que é preciso tratá-los, transformando-os em uma matriz amigável para que se possa fazer uma exploração dos mesmos via, por exemplo, construção de gráficos. Essa etapa é particularmente importante para quem lida com dados todos os dias, de modo que passamos um tempo considerável do nosso Curso de Análise de Conjuntura usando o R mostrando para os alunos como utilizar o para essa tarefa. Uma vez que o código esteja pronto, sua tarefa de coleta e tratamento de dados está automatizada, de modo que da próxima vez que você for atualizar os dados, perdera minutos nessa etapa. Isto é, poderá se concentrar na parte de análise e comunicação de resultados, sofisticando de modo bastante interessante suas apresentações.

Seus gráficos ficarão bem mais ilustrativos, o que lhe trará maiores insights para desenvolver argumentos econômicos mais sólidos, bem como fomentar a etapa posterior de modelagem e previsão, que pode ser vista nos cursos de Séries Temporais e Construção de Cenários e Previsões. Não perca tempo e venha já para o mundo do R!

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" 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

As diferentes formas de avaliar o erro de um modelo de previsão

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Previsão do CPI usando text mining

Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.

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.