Novos dados de emprego

prevdesempregoO Cadastro Geral de Empregados e Desempregados (CAGED) do Ministério do Trabalho referente a maio foi divulgado hoje com notícias ruins. O saldo entre admitidos e demitidos veio abaixo de 60 mil, quando o esperado estava próximo a 100 mil. Nas seis principais regiões metropolitanas, as mesmas da Pesquisa Mensal do Emprego (PME) do IBGE, o saldo foi negativo em mais de 6 mil. Ademais, a média móvel de três meses dos admitidos, nessas regiões metropolitanas, mostrou queda de 3,5%. Significa dizer que o desemprego irá aumentar? Na média dos meus modelos, o desemprego em maio ficou no intervalo entre 4,5% e 5,2%; centrado em 4,8%. Em abril, a taxa foi de 4,9%. Isto porque, entre as premissas consideradas, está uma redução de 0,9% para o crescimento interanual da população economicamente ativa (PEA). Enquanto a procura por emprego não mostrar avanço, o desemprego tenderá a continuar em patamar historicamente baixo, com aumentos pontuais devido à sazonalidade da série. Mesmo que a geração de vagas continue revelando cansaço.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Resultado PNADc Trimestral - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PNADc Trimestral do 3º trimestre 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.

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.