Desemprego deve permanecer estável ao longo do ano

O IBGE divulgou na última terça-feira os resultados da PNAD Contínua para o trimestre móvel encerrado em março. Como comentei no comentário de conjuntura dessa semana, as notícias não foram boas. A taxa de desemprego ficou em 12,7%, enquanto a taxa dessazonalizada ficou em 12%, apenas 0,1 p.p. abaixo de fevereiro. De modo a gerar uma projeção para os próximos seis meses, a propósito, eu atualizei os modelos apresentados na edição 53 do Clube do Código, de modo a gerar uma previsão combinada para a taxa de desemprego.

 

Previsões para a Taxa de Desemprego
SARIMA Kalman BVAR Combinada
2019 Apr 12.3 12.6 12.7 12.6
2019 May 11.8 12.5 12.6 12.5
2019 Jun 11.3 12.3 12.5 12.3
2019 Jul 10.9 12.3 12.4 12.3
2019 Aug 10.5 12.2 12.3 12.2
2019 Sep 10.0 12.0 12.2 12.0

A tabela acima resume as previsões geradas pelos três modelos que rodei, bem como a previsão combinada entre eles, com maior peso para o Filtro de Kalman. A taxa de desemprego deve cair dos atuais 12,7% para algo próximo a 12% em setembro. Em termos dessazonalizados, entretanto, a taxa de desemprego deve se manter estável ao longo do período projetado, se mantendo próxima a 12,1%. O gráfico abaixo ilustra.

Caso essas projeções se confirmem, não deixa de ser um banho de água fria...

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.