CAGED mostra recuperação no mercado de trabalho

Os dados do CAGED referentes a setembro divulgados pelo Ministério da Economia hoje mostram uma recuperação consistente no mercado formal de trabalho. Pelo sexto mês consecutivo houve criação líquida de vagas. Em termos dessazonalizados, foram geradas 53.570 vagas. Como ensino no Curso de Análise de Conjuntura usando o R, temos um script automático que trata os dados do CAGED. Abaixo, um gráfico do saldo dessazonalizado entre admitidos e demitidos no CAGED.

A geração acumulada de vagas em 2019 é de 696.853. Abaixo, um gráfico da média móvel anual das séries de admitidos e demitidos.

Observa-se que houve uma virada em meados de 2018, com a série de admitidos superando a de demitidos. Abaixo, o saldo mensal do CAGED por setores.

Como se vê no gráfico, o setor de serviços tem dominado a recuperação nos últimos meses. Por fim, coloco abaixo a razão entre salários de admitidos e demitidos. Houve uma acomodação na margem dessa métrica, importante para verificar o poder de barganha dos novos admitidos ao longo do tempo.

Os dados do CAGED indicam uma recuperação no mercado de trabalho que deve se espalhar pela PNAD nos próximos meses, como aponta a edição 67 do Clube do Código, que fez uma comparação entre as duas séries do ponto de vista econométrico. Em resumo, os dados do CAGED costumam antecipar os da PNAD Contínua.

___________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como choques inflacionários afetam a previsão da Selic?

Como mensurar a importância de choques na inflação sobre o erro de previsão da taxa de juros? Neste exercício quantificamos esta pergunta sob a ótica de um modelo VAR, usando dados recentes da macroeconomia brasileira. Especificamente, estimamos a decomposição da variância dos erros de previsão do modelo, analisando choques na inflação da gasolina e sua importância sobre a variância dos erros de previsão da taxa Selic.

Modelo de previsão para o preço da gasolina

Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação 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!

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.