Dessazonalizando os dados do CAGED com o R

O governo divulgou nessa semana os dados do Cadastro Geral de Empregados e Desempregados, o famoso CAGED. Com efeito, vi muitas matérias na imprensa sobre o resultado negativo em março de saldo negativo de 43.196 entre admissões e demissões. O problema desse resultado é que, como vemos em nosso Curso de Análise de Conjuntura usando o R, ele está contaminado por um problema típico de séries temporais, chamado sazonalidade, isto é, um comportamento que se apresenta de forma regular ao longo dos anos.

Para ilustrar esse problema, coloco abaixo o saldo do CAGED, que peguei do IPEADATA com o pacote ecoseries.

É nítido no gráfico um comportamento regular da série ao longo dos anos, não é mesmo? Assim, de forma a fazer uma análise precisa do que está acontecendo com a série do CAGED, precisamos primeiro "limpar" a sazonalidade. No R, como vemos em nosso Curso de Análise de Conjuntura usando o R, podemos fazer isso através do pacote seasonal. Fazendo esse tratamento, obtemos os dados do CAGED dessazonalizados como abaixo.

Totalmente diferente, não é mesmo? Com esse gráfico podemos ver que o mercado de trabalho vem ensaiando uma recuperação desde 2015/2016. Ao mesmo tempo, podemos ver que na ponta, de fato, março foi mesmo um mês ruim. A última vez que a série dessazonalizada tinha apresentado um mês negativo havia sido em fevereiro do ano passado.

Essa, diga-se, é a forma correta de fazer a análise dos dados, que você aprende em nosso Curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

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.