CAGED mostra aceleração na criação de vagas

O Ministério da Economia divulgou ontem os dados do CAGED, o cadastro geral de empregados e desempregados. O saldo de admitidos e demitidos chegou a 99,2 mil em novembro - 80,4 mil em termos dessazonalizados. A análise dos dados agregados do CAGED, que contam com script automático no nosso Curso de Análise de Conjuntura usando o R, permite verificar uma aceleração na criação de vagas.

A média móvel anual do saldo entre admitidos e demitidos chegou a 44,3 mil em novembro. Em termos de comparação, ela era de 35,5 mil em novembro de 2018 e de -21,4 mil em novembro de 2017. Em palavras outras, há uma aceleração em curso no mercado de trabalho formal.

A abertura do dado por setores mostra que a recuperação do emprego está sendo liderada pelos setores de serviços e comércio. A indústria ainda sofre os efeitos de choques exógenos, enquanto a construção civil tem ensaiado uma recuperação nos últimos meses.

A análise completa está disponível no nosso Curso de Análise de Conjuntura usando o R.

__________

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Coletando dados do Google Trends no R e no Python

Contribuição para a Volatilidade [Python]

Inflação de Serviços vs. Desemprego

Modelo de previsão para grupos do IPCA

Text mining dos comunicados do FOMC: prevendo mudanças na política

Analisando a inflação por faixa de renda no Python

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.