CAGED mostra firme recuperação no mercado de trabalho

O Cadastro Geral de Empregados e Desempregados (CAGED), divulgado mensalmente pelo Ministério da Economia, mostra o fluxo de contratos formais. A boa notícia é que a pesquisa teve resultado positivo pelo sétimo mês consecutivo, já feito o ajuste sazonal. Nos últimos 12 meses, o CAGED com ajuste sazonal manteve média mensal de 40 mil contratações líquidas. O resultado, como mostra o gráfico abaixo, está espalhado pela maior parte dos setores da economia.

Como mostrei em exercício recente do Clube do Código, nos próximos meses deveremos ver uma contaminação dos bons resultados do CAGED sobre a PNAD Contínua, uma pesquisa mais ampla que envolve medidas de estoque no mercado de trabalho.

________________

(*) Script completo de análise do CAGED 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

Análise exploratória para modelagem preditiva no Python

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Métodos de Reamostragem de Séries Temporais no Python

Coletando dados regionais do CAGED no Python

Coletando dados de Setores Censitários do Censo 2022 no Python

Estimando a inércia inflacionária através de modelos de espaço-estado usando Python

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

Métodos de Reamostragem de Séries Temporais no Python

Nesta postagem, vamos mostrar alguns métodos simples para lidar com a reamostragem de dados de séries temporais no Python.

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!