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

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.