Análise do desemprego por tempo de procura de trabalho com o R

Os dados da PNAD Contínua, no seu corte trimestral, trazem informações relevantes sobre o tempo de procura por emprego entre as pessoas que estão desempregadas. Essa informação é bastante importante para dar uma dimensão sobre o está o que os economistas chamam de desemprego de longo prazo. A tabela 1616 disponível no SIDRA/IBGE contém essas informações. Para acessá-la, podemos usar o pacote sidrar, como abaixo.


## Pacotes utilizados nesse comentário
library(tidyverse)
library(zoo)

table = get_sidra(api='/t/1616/n1/all/v/4092/p/all/c1965/all') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
select(date, "Tempo de procura de trabalho", Valor) %>%
as_tibble()

Com os dados disponíveis, podemos construir o gráfico abaixo.

Os dados do IBGE, entretanto, só estão disponíveis até o primeiro trimestre de 2020.

Os membros do Clube AM, a propósito, têm acesso aos códigos completos dos nossos Comentários e Exercícios.

_______________________

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Como avaliar modelos de IA na previsão macroeconômica?

Análise exploratória e seleção de séries temporais econômicas para modelagem

Transformers para Análise de Séries Temporais

O que é e como funciona a Arquitetura Transformer

Tratamento e transformação de séries temporais macroeconômicas para modelagem

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Outros artigos relacionados

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

Transformers para Análise de Séries Temporais

Neste tutorial, mostramos passo a passo como aplicar dados de séries temporais em modelos baseados na arquitetura Transformer, utilizando a biblioteca Darts no Python. Você aprenderá como transformar dados temporais em um formato compatível, ajustar o modelo e gerar previsões. Uma introdução prática e didática à união entre Deep Learning e análise de séries temporais.

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!