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

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.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

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.