IBGE admite erro na PNAD

IBGE admite erro na PNAD 2013. Segundo nota oficial da instituição: "No processo de expansão da amostra da PNAD 2013, foi utilizada, equivocadamente, a projeção de população referente a todas as áreas metropolitanas em vez da projeção de população da Região Metropolitana na qual está inserida a capital."  Com efeito, ao invés de aumento, houve [levíssima] queda na desigualdade em 2013. O pior momento para um erro desses, viu. E, sinceramente, eu não acredito que tenha ocorrido interferência política nesse caso, mas muita gente vai por esse caminho. Provavelmente se lembrarão dos problemas que ocorreram em pesquisa no IPEA recentemente. É o pior momento para um erro desses, principalmente porque mexeu em um dado sensível para a campanha da candidatura oficial. Prevejo teorias de conspiração nascendo nesse momento. Maiores detalhes, aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Medindo o Hiato do Produto do Brasil usando Python

Uma medida extremamente importante para a avaliação econômica de um país é o Hiato do Produto. Neste post, realizamos uma comparação das diferentes formas de estimação dessa variável não observável utilizando o Python como ferramenta de análise de dados.

Como analisar a contribuição para a Volatilidade de uma carteira de ações usando Python

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Analisando o impacto fiscal de propostas legislativas com IA

Todos os anos milhares de proposições legislativas são geradas na Câmara dos Deputados e Senado Federal, o que dificulta o trabalho de monitoramento feito por economistas, jornalistas e analistas de mercado. No entanto, ao empregar técnicas de engenharia de prompt e IA, podemos analisar estas milhares de proposições em questão de segundos. Neste exercício mostramos o caminho para esta automatização usando o Python.

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.