Desemprego recua no trimestre encerrado em julho

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

A população desocupada (PD) chegou a 12,868 milhões de pessoas no trimestre móvel encerrado em julho, para uma população economicamente ativa (PEA) de 104,529 milhões de pessoas.Com efeito, a taxa de desemprego (PD/PEA) chegou a 12,3%. Houve, em relação a junho, um recuo de 98 mil na população desocupada, refletindo um avanço de 424 mil pessoas na população ocupada (PO) e de 326 mil na PEA. Abaixo, trazemos alguns gráficos que ilustram o comportamento do mercado de trabalho no último dado divulgado pelo IBGE. Uma análise completa da PNAD com o uso do R é, a propósito, ensinada no nosso Curso de Análise de Conjuntura usando o R.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/08/ultimosdias6.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

A população desocupada era de 12,311 milhões em dezembro, tendo avançado para 12,868 milhões no trimestre encerrado em julho, na série sem ajustes. Como a série tem sazonalidade, contudo, é preciso tratar essa característica. Assim, na série com ajuste sazonal, a desocupação saiu de 13,130 milhões em dezembro para 12,730 milhões no trimestre encerrado em julho. O gráfico abaixo, por suposto, compara as duas séries.

Abaixo, por suposto, colocamos a taxa de desemprego (PD/PEA) com a sua respectiva taxa ajustada sazonalmente.

Uma apresentação completa da PNAD Contínua está disponível aqui. No nosso Curso de Análise de Conjuntura usando o R, por suposto, os alunos aprendem o passo a passo para gerar apresentações como essa, coletando os dados de forma automática do SIDRA e tratando os mesmos com o R. Já na sequência de Cursos de Econometria, os alunos aprendem a construir modelos univariados e multivariados para séries como a do desemprego. As inscrições, por suposto, para as turmas de setembro, que começam no próximo dia 3/9, estão se encerrando: corra e garanta a sua vaga!

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/08/coversetembro.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Deploy de modelos com Python + Shinylive + GitHub gastando ZERO reais

Colocar modelos em produção pode ser um grande desafio. Lidar com custos monetários, infraestrutura operacional e complexidades de códigos e ferramentas pode acabar matando potenciais projetos. Uma solução que elimina todos estes obstáculos é a recém lançada Shinylive. Neste artigo mostramos um exemplo com um modelo de previsão para o preço do petróleo Brent.

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

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.