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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com 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.