Taxa de desemprego: PNAD Contínua vs. PME

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto"]

Um dos grandes problemas para quem precisa trabalhar com taxa de desemprego no Brasil é o fato de que a falecida Pesquisa Mensal do Emprego (PME) é completamente diferente da atual PNAD Contínua, disponível desde março de 2012. Desse modo, toda vez que você quiser trabalhar com essa nova série de desemprego, enfrentará um problema: ela é curta demais. De modo a atenuar esse problema, fizemos um exercício no Clube do Código, para aproximar a taxa de desemprego da PNAD Contínua por meio da PME, expandindo assim a série original. Abaixo, o leitor vê um resumo do exercício.

grafico01

Acima é possível verificar as duas taxas de desemprego. Claramente, observa-se que a média do desemprego medido pela PNAD Contínua é mais elevada do que a da PME. De posse dessas duas séries, nós podemos aproximar a taxa de desemprego da PNAD Contínua pela taxa da PME, através de uma regressão linear simples. O gráfico abaixo compara a taxa original com aquela ajustada pelo modelo.

grafico02

Com base nesse modelo, então, expandimos a taxa de desemprego medida pela PNAD Contínua. A série ampliada pode ser vista abaixo.

grafico03

Abaixo, por fim, dessazonalizamos a série que acabamos de gerar.

grafico04

Temos agora duas séries, uma normal e outra dessazonalizada, que podemos utilizar em exercícios futuros. Observe, entretanto, que a mesma é apenas uma aproximação estatística da PNAD Contínua através da PME, ok? Até o próximo exercício!

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" button_text="Conhecer o Clube do Código" button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0" /][/et_pb_column][/et_pb_row][/et_pb_section]

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.