Análise da PNAD Contínua com o R

[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="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

Hoje o IBGE divulgou a edição de setembro da PNAD Contínua com dados do mercado de trabalho. A taxa de desemprego, aquela que mede a população desocupada (PD) em relação à população economicamente ativa (PEA), ficou em 11,8%, estável em comparação a agosto. Chama atenção, entretanto, a quantidade de pessoas que saiu da PEA, 304 mil, entre setembro e agosto, suficiente para compensar a queda de 302 mil pessoas na população ocupada. Em números absolutos, o total de pessoas desocupadas ficou em 12,022 milhões em setembro, ante 12,024 milhões em agosto. 

Preparamos, a propósito, uma apresentação para o Clube do Código, que inclui a atualização da previsão do nosso modelo BVAR. Ela pode ser acessada clicando na figura ao lado. Membros do Clube do Código têm acesso aos arquivos que geraram a apresentação, como sempre. 

Conheça o Clube do Código aqui.

OBS: O Clube do Código não implica em serviço de consultoria econômica, sendo tão somente um projeto que ensina os seus membros a utilizar o e o RStudio para produzir relatórios e apresentações, bem como gerar exercícios macroeconométricos.

[/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/2016/10/pnadcm092016.png" show_in_lightbox="off" url="https://github.com/analisemacro/degustacao/blob/master/clubedocodigo/pnadcm092016.pdf" url_new_window="on" use_overlay="off" animation="left" sticky="off" align="left" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid" /][/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

Prevendo Demanda de Energia usando TimeGPT no Python

Neste exemplo mostramos o poder da IA, especificadamente o uso do TimeGPT para prever os valores da Curva de Carga Horária de Energia Elétrica disponibilizada pela ONS. Comparamos o resultado da previsão com um modelo ingênuo e LGBM. Para o exercício, foi usado a linguagem Python para coleta, tratamento e modelagem.

Coletando dados para monitoramento climático com Python

As condições climatológicas influenciam desde a safra de grãos até a decisão de um vendedor ambulante levar seu carrinho para a praia ou não. Por sua importância e impactos na economia do país, neste exercício mostramos como coletar e elaborar análises de dados sobre o clima 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.