Para onde vai a taxa de desemprego?

A taxa de desemprego atingiu 11,3% da População Economicamente Ativa (PEA) no trimestre móvel encerrado em junho, informou a Pesquisa Nacional por Amostra de Domicílios Contínua. Esse valor é três pontos percentuais maior do que o registrado em junho do ano passado. Ou seja, no período, 3,2 milhões de pessoas foram adicionadas ao desemprego. Nesse post, fazemos um exercício de previsão da taxa para os próximos meses.


grafico02

O gráfico acima detalha a evolução da taxa de desemprego medida pela PNAD Contínua, comparando a mesma no mês t contra o mês t-12. Observa-se que nos dois últimos meses, maio e junho, nessa comparação, houve uma pequena queda. Isso pode ser um sinal de que a alta do desemprego esteja próxima de um teto. Para buscar inferir o comportamento da taxa de desemprego no restante do ano, vamos construir um modelo BVAR, utilizando a variação interanual da população ocupada e da população economicamente ativa.

grafico01

Um aumento da população ocupada, naturalmente, faz com que a taxa de desemprego caia. De outra forma, um aumento da população economicamente ativa exerce pressão sobre a taxa. No período recente, uma combinação entre queda da PO e aumento da PEA tem pressionado o desemprego, gerando o cenário descrito acima.

grafico03

grafico04

Nesse contexto, de forma a avaliar como a taxa de desemprego evoluirá no restante do ano, resolvemos construir um modelo multivariado com essas três variáveis. Com o modelo construído, ademais, podemos verificar as funções de impulso resposta, como abaixo.

grafico05

Elas, por suposto, confirmam a intuição. Choques na PEA geram efeito positivo sobre o desemprego, enquanto choques na PO geram efeito negativo. Uma vez ratificado a relação entre as variáveis, podemos construir as trajetórias previstas, como abaixo.

grafico06

As projeções pontuais e médias são postas na tabela abaixo.

point.desemprego point.pea point.po mean.desemprego mean.pea mean.po
1 11.52 -1.58 1.83 11.52 -1.58 1.83
2 11.71 -1.63 1.83 11.72 -1.64 1.83
3 11.90 -1.69 1.83 11.92 -1.69 1.82
4 12.10 -1.75 1.85 12.12 -1.74 1.81
5 12.29 -1.80 1.84 12.33 -1.79 1.79
6 12.48 -1.86 1.84 12.53 -1.83 1.76

O modelo projeta que a taxa de desemprego ainda piorará ao longo de 2016, saindo de 11,3% em junho para 12,5% em dezembro. Um aumento de cerca de 1 ponto percentual na taxa equivale a adicionar algo próximo a um milhão de pessoas no desemprego. Ou seja, se o modelo estiver correto, ainda vai piorar, antes de melhorar... 🙁

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.