Desemprego veio em linha com modelos de previsão

O IBGE divulgou hoje os resultados da PNAD Contínua referente ao trimestre móvel encerrado em outubro. A taxa de desemprego, variável mais destacada da pesquisa, veio em linha com nossos modelos de previsão, como antecipamos no Comentário de Conjuntura dessa semana. A taxa saiu de 11,8% no trimestre encerrado em setembro para 11,6% em outubro. Em termos dessazonalizados, a taxa ficou em 12%.

Os dados da PNAD Contínua contam com script automático que é ensinado e disponibilizado no nosso Curso de Análise de Conjuntura usando o R. O gráfico acima faz a decomposição da variação interanual da população ocupada. A retomada no mercado de trabalho continua sendo liderada pelos subgrupos conta própria e sem carteira, mas a população ocupada com carteira mostra recuperação na margem, como pode ser visto abaixo.

A seguir um gráfico da taxa de desemprego com e sem ajuste sazonal.

Na sequência, uma tabela que resume as principais métricas da PNAD.

Métricas Principais da PNAD Contínua
Out/19 Out/18 Variação (%)
População 209.811 208.196 0,8
PIA 171.281 169.793 0,9
PEA 106.421 104.928 1,4
PO 94.055 92.619 1,6
PD 12.367 12.309 0,5
PNEA 64.860 64.866 -0,0
Carteira 33.206 32.863 1,0
Sem Carteira 11.852 11.572 2,4
Doméstico 6.314 6.245 1,1
Público 11.675 11.671 0,0
Empregador 4.452 4.503 -1,1
Conta Própria 24.446 23.533 3,9
TFA 2.110 2.232 -5,5
Agropecuária 8.449 8.619 -2,0
Indústria 12.119 11.954 1,4
Construção 6.846 6.738 1,6
Comércio 17.743 17.592 0,9
Transporte 4.854 4.621 5,0
Alojamento 5.539 5.333 3,9
Informação 10.540 10.216 3,2
Administração Pública 16.517 16.285 1,4
Outros Serviços 5.053 4.973 1,6
Serviços Domésticos 6.376 6.254 2,0
Renda Nominal 2.317 2.232 3,8
Renda Real 2.317 2.298 0,8
Massa Nominal 212.808 201.564 5,6
Massa Real 212.808 207.504 2,6

Como é possível observar, houve crescimento pelo segundo mês consecutivo da população ocupada com carteira assinada. O resultado está em linha com os dados do CAGED, que antecipa os resultados da PNAD, conforme estudo publicado no Clube do Código.

Um outro ponto de destaque foi a redução do desemprego com mais de dois anos no terceiro trimestre de 2019, conforme mostra o gráfico a seguir.

Outro destaque foi o crescimento do rendimento médio real, conforme o gráfico abaixo.

Dado o crescimento da população ocupada e dos rendimentos, também houve crescimento da massa de rendimentos conforme o gráfico a seguir.

Com base nos resultados referentes ao trimestre móvel encerrado em outubro, nós atualizamos nossos modelos de previsão. A seguir um resumo das previsões para os próximos meses.

Previsões para a Taxa de Desemprego
SARIMA Kalman BVAR Combinada
2019 Nov 11.5 11.4 11.6 11.4
2019 Dec 11.4 11.3 11.5 11.4
2020 Jan 11.9 11.7 11.5 11.7
2020 Feb 12.4 12.1 11.4 12.0
2020 Mar 12.9 12.6 11.4 12.3
2020 Apr 12.7 12.4 11.3 12.2

E um gráfico que resume as previsões...

____________________

(*) Quer fazer análises de dados como essa? Conheça nossos Cursos Aplicados de R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

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.