Análise do CAGED com o R

O Ministério da Economia, enfim, divulgou os dados do CAGED em 2020. Os resultados, adianto, não são nada bons. Para analisar os dados do saldo do CAGED, podemos usar o pacote ecoseries e pegar os dados do IPEADATA. O código abaixo exemplifica.


library(ecoseries)
df_caged = series_ipeadata('272844966', periodicity = 'M')$serie_272844966

Uma vez que os dados sejam baixados, podemos visualizar os meses de abril de diversos anos com o código abaixo.


library(tidyverse)
library(lubridate)
library(scales)

df_caged_abril = filter(df_caged, month(data) == 4)
ggplot(df_caged_abril, aes(x=data))+
geom_bar(aes(y=valor/1000),
colour = ifelse(df_caged_abril$valor > 0, 'blue', "red"),
fill = ifelse(df_caged_abril$valor > 0, 'blue', "red"),
stat='identity', width = 100)+
geom_hline(yintercept=0, colour='black', linetype='dashed')+
scale_x_date(breaks = date_breaks("1 years"),
labels = date_format("%Y"))+
labs(x='', y='Mil pessoas',
title='Saldo do CAGED nos meses de Abril',
caption='Fonte: analisemacro.com.br com dados do CAGED.')+
theme(plot.title = element_text(size=12, face='bold'),
plot.caption = element_text(size=9),
axis.title.y = element_text(size=9),
axis.text.x=element_text(angle=45, hjust=1))

Os dados indicam que houve um queda líquida de 860,5 mil vagas no mês de abril, refletindo a pandemia do coronavírus. Isso é bastante preocupante, uma vez que existe uma correlação forte entre o CAGED e o crescimento do PIB, como pode ser visto abaixo.

No mês de março, diga-se, houve uma queda líquida de 207,4 mil vagas. O gráfico abaixo ilustra.

Feita a dessazonalização da série, nós obtemos o gráfico abaixo, que ilustra melhor o comportamento do saldo do CAGED e o efeito da pandemia sobre ela.

Como se vê, o impacto sobre a série foi brutal. Haverá algum impacto sobre o PIB do 1º trimestre, mas o maior efeito deverá ser mesmo sobre o PIB do 2º tri. O dado do PIB do 1º trimestre será divulgado nessa sexta-feira. Já o do 2º tri será divulgado apenas em setembro.

A relação entre CAGED e crescimento do PIB foi analisada na edição 58 do Clube do Código.

____________________

(*) Você aprende a coletar, tratar e visualizar dados macroeconômicos no 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

Como analisar o sentimento dos textos do COPOM no Python?

Neste exercício construímos um indicador que busca quantificar o sentimento proveniente das decisões de política monetária no Brasil. Usando técnicas de mineração de texto, implementamos todas as etapas necessárias, desde web scraping e pré-processamento das atas do Comitê de Política Monetária do Banco Central (COPOM), até a criação de tokens e a classificação do sentimento implícito nos textos.

Como importar os textos do COPOM para análise de sentimentos no Python?

Os textos divulgados pelo COPOM, sejam os comunicados ou atas, são o ponto de partida para diversos tipos de análises quantitativas, como a análise de sentimentos, e qualitativas, como uma análise de cenário econômico. Neste artigo, mostramos como coletar estes textos de forma automatizada usando web scrapping e Python.

Como tratar dados no Python? Parte 5: renomeando colunas

Como dar novos nomes significativos para as colunas em uma tabela de dados usando Python? Neste tutorial mostramos os métodos de renomeação de colunas disponíveis na biblioteca pandas, que tem como vantagem sua sintaxe simples e prática.

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.