Tag

desemprego em 2015 Archives - Análise Macro

Cenários e Previsões no R: o caso da taxa de desemprego.

By | Macroeconometria, Mercado de Trabalho

O leitor desse espaço já deve ter percebido que o desemprego tem sido uma grande preocupação por aqui. Com a economia em ritmo de crescimento negativo, não é para menos, não é mesmo? Desse modo, temos produzido alguns posts sobre a situação no mercado de trabalho, para mostrar para você que as coisas não estão nada boas. Infelizmente. Hoje, vamos falar novamente de desemprego e aproveitar o para automatizar o processo de previsão, dado um conjunto de cenários possíveis. Como? Criando uma função para isso. Interessante, né? Pois é, vamos, lá!

Há alguns meses, um dos autores desse post estava obstinado em tentar gerar previsões mais precisas sobre a taxa de câmbio. Logo ela que serve para humilhar os economistas! Com essa motivação, começamos a conversar sobre como construir possíveis cenários para fazer previsões condicionadas.

A partir daí, o autor viciado em desse post [Ricardo Lima] decidiu entrar mais sério no assunto. O pacote forecast já possibilita fazer previsões automáticas e, através do input xreg você pode até utilizar variáveis exógenas e, usar novamente esta entrada para usar cenários que você construiu na hora da previsão(*). Já geramos previsão para o desemprego por aqui, inclusive, com esse procedimento.

Então, o processo que temos que seguir quando queremos fazer previsão de modelos ARMAX(**)  usando o pacote forecast é o seguinte:

1. Estimar o modelo ARMAX (ou seja, assumimos uma variável endógena e o resto das variáveis entram pelo input xreg);
2. Criar trajetórias, ou cenários, para todas as variáveis exógenas;
3. Fazer a previsão dada as trajetórias que escolhemos;

Ok, simples, mas e aí ? Imagine agora então que eu tenha 12 cenários. Isto é, vou ter que repetir este processo 12 vezes. E se eu quiser ter uma noção de todas as previsões dados todos os cenários ao mesmo tempo, vou ter que salvar as 12 previsões e juntar tudo... Nossa, que bagunça!

Pois é. Como seria bom uma função que fizesse tudo isso e, no final, gerasse um único gráfico...

Foi com esse pensamento que o autor viciado em desse post [Ricardo Lima] começou o trabalho. Muito, para ser mais precisos, até chegar a algo bastante simples. Os únicos inputs que a função precisa é uma matriz com os dados para a parte de estimação, uma matriz com os cenários para as variáveis exógenas e a ordem do modelo SARIMAX específico que você queira estimar. O resto é tudo automático.

A ordem lógica da função é basicamente essa:

1. Estimar modelo SARIMAX especificado pelo usuário;
2. Estimar modelo SARIMAX automático (função auto.arima);
3. Fazer previsões das variáveis exógenas pelo método loess;
4. Fazer previsões das variáveis exógenas usando auto.arima;
5. Fazer previsões do modelo SARIMAX especificado pelo usuário condicionado aos cenários;
6. Fazer previsões do modelo SARIMAX automático condicionado aos cenários do usuário;
7. Fazer previsões do modelo SARIMAX automático usando as previsões das variáveis exógenas geradas pelo método loess;
8. Fazer previsões do modelo SARIMAX automático usando as previsões das variáveis exógenas geradas pelo auto.arima;

E, para finalizar, gerar um gráfico(***).

A escolha de adicionar os métodos completamente automáticos foi simplesmente para aumentar a amostra de previsões. Isto porque muitas vezes a média de previsões é melhor que a previsão de um só modelo, mesmo que este modelo seja “muito bom”. Abaixo o início da função...

ARMAXscen <- function(data, scenarios,
order=c(0,0,0), seasonal=c(0,0,0),
ggplot=F,
plot.start, xlab, ylab){

Além disso, a função depende muito de como a entrada dos dados é feita. Logo, tenta-se evitar estes problemas de cara impondo algumas restrições. O mais importante sendo o fato de que o número de colunas na matriz de cenários dividido pelo número de variáveis exógenas tem que resultar em um número inteiro. Isto é, para cada cenário temos que ter o mesmo número de variáveis exógenas. Desta forma, tenta-se indicar de maneira clara onde o problema poderia estar.


  if (is.ts(data)==FALSE){

    return('Dataset not in ts format.')

  }else{

    if (sum(is.na(data))>0){

      return('NA present in dataset.')

    }else{

      if (ceiling(ncol(scenarios)/ncol(data[,-1])) != floor(ncol(scenarios)/ncol(data[,-1]))){

        return('Number of exogenous variables per scenario not right!')

      }else{

Assume-se que o número de linhas na matriz de cenários é igual ao número de períodos para previsão (logo é menos uma coisa que o usuário tem que definir) e que a primeira coluna da matriz de dados seja a variável endógena. Logo, ajeita-se os dados para a função e estima-se o primeiro modelo.

        N.prev <- nrow(scenarios)

        endo <- data[,1]
        xreg <- data[,-1]

        colnames(xreg) <- colnames(data)[-1]

        arimax.user <- Arima(endo,
                             order=order,
                             seasonal=seasonal,
                             xreg=xreg)

E faz-se isso para os demais modelos até que tenhamos um conjunto de previsões, dado um conjunto de cenários. Tudo automatizado. Bem legal, não é mesmo? Pois é. Aplicamos a função, então, para o desemprego dessazonalizado, com uma matriz contendo dois cenários: um razoavelmente otimista e outro nem tanto. Como variáveis exógenas, utilizamos o crescimento interanual da população ocupada e da população economicamente ativa. A tabela abaixo resume as previsões obtidas para os meses de abril a dezembro desse ano, com a última coluna representando a média dessas previsões.

Previsão do Desemprego (% PEA)
ETS ARIMA AUTO.S1 AUTO.S2 USER.S1 USER.S2 Mean
Abr/15 5,73 5,80 5,59 5,85 5,64 5,89 5,75
Mai/15 5,73 5,76 5,76 5,95 5,73 5,90 5,81
Jun/15 5,62 5,63 5,42 6,02 5,51 6,08 5,72
Jul/15 5,65 5,58 5,83 6,20 5,93 6,28 5,91
Ago/15 5,69 5,57 5,72 6,36 5,72 6,33 5,90
Set/15 5,59 5,49 5,61 6,37 5,63 6,36 5,84
Out/15 5,52 5,43 5,45 6,41 5,50 6,41 5,79
Nov/15 5,65 5,39 5,44 6,62 5,42 6,55 5,84
Dez/15 5,53 5,24 5,54 6,56 5,57 6,55 5,83

E o gráfico...

plot

Dá para ver que dois modelos indicam crescimento do desemprego em 2015, enquanto os demais modelos indicam redução ao longo do ano - no auto.s1 user.s1 há alguma volatilidade nos meses iniciais da projeção. Os modelos que geram previsões mais pessimistas estão, claro, baseados no cenário pessimista para a população ocupada e para a população economicamente ativa. Um zoom sobre um desses modelos [auto.s2] que traz previsões mais pessimistas é feito abaixo, com os intervalos de confiança.

plotic

Continuaremos, em assim sendo, preocupados com o desemprego ao longo do ano e publicaremos atualizações das projeções. Com a nova ferramenta em mãos, o trabalho fica cada vez mais fácil, não é mesmo? 🙂

__________________________________________

* Isto porque a funcão só consegue fazer previsão automática da variável endógena.

** Note que, formalmente, não estimamos um modelo ARMAX. Na verdade estimamos um modelo ARMA com uma variável exógena e modelamos as inovações como um processo ARMA. O leitor interessado pode ler mais sobre o assunto neste post do Rob Hyndman.

*** Este foi na verdade o maior desafio dado que o Ricardo Lima colocou na cabeça que iria usar o pacote ggplot2.

Food Trucks, Renda e R: uma análise de conjuntura.

By | Dados Macroeconômicos, Macroeconometria, Mercado de Trabalho

Na terça-feira recebi um e-mail da jornalista Gabriela David, da revista Bons Negócios, me fazendo algumas perguntas sobre as perspectivas para o setor de alimentação fora de casa. A Gabriela estava interessada em food trucks, aqueles pequenos caminhões que servem comida nas ruas de Nova York e que viraram moda na cidade de São Paulo. Será que é uma febre passageira ou deve virar tendência nas principais cidades do país, questiona Gabriela. Ademais, quais são as perspectivas para esse negócio, diante dos problemas na economia brasileira, pergunta a jornalista. Para ajudar Gabriela, devemos saber, em primeiro lugar, que alimentação fora de casa é um negócio que depende diretamente do comportamento da renda das famílias. Isto porque, ainda que as pessoas usem cartão de crédito para pagar restaurantes, pensões e food trucks, não faz muito sentido pensar que as pessoas se endividam para comer fora de casa, não é mesmo? No máximo, paga-se o cartão no próximo mês, logo é preciso que a renda esteja crescendo ao longo do tempo para que negócios como esse sejam objeto de expansão. Dito isto, vamos aos dados?

Bom, dado que renda das famílias é fundamental para negócios como food trucks, devemos nos perguntar como ela deve se comportar nos próximos meses e anos, não é mesmo? Para isso, precisamos saber do que depende a renda. Uma primeira pista é identificar o comportamento do crescimento da economia. Isto porque, se o PIB cresce ao longo do tempo, é razoável supor que a renda das famílias também tende a crescer. Isto porque, maior crescimento da economia implica em maior absorção de mão de obra ou menor desemprego. Este, por sua vez, faz aumentar o poder de barganha dos indivíduos, o que leva a maior crescimento dos salários e, portanto, da renda das famílias.

Tudo bem intuitivo, não é mesmo? Pois é, vamos melhorar isso, então? Vamos fazer um exercício simples no R que consiste basicamente em ver se o desemprego ajuda a prever o que irá ocorrer com a renda. Isso pode ser feito via o famoso teste de causalidade de granger, que no pode ser acessado via o carregamento do pacote vars. Desse modo, se chegarmos à conclusão que, de fato, o desemprego ajuda a prever a renda das famílias [auferida, principalmente, por meio de salários], podemos ter alguma noção do que ocorrerá no futuro.

Para começar o exercício, precisamos, claro, de dados. Montei meu excel com quatro séries, com observações de março de 2003 a março de 2015: crescimento interanual da renda nominal, crescimento interanual da renda real, desemprego como % da PEA e desemprego dessazonalizado também como % da PEA. As três primeiras foram retiradas da Pesquisa Mensal de Emprego (PME), do SIDRA, o banco de dados on-line do IBGE, enquanto a última é derivada da série original de desemprego com a aplicação do X12-Arima, no Gretl. Podemos, assim, começar dando uma olhada nos gráficos das séries com a função gtsplot, do pacote BMR. Essa função tem sido recorrentemente utilizada aqui, mas como diria Machado de Assis, é preciso incutir conceitos na mente do leitor por meio de repetição, não é mesmo? Abaixo o código e os gráficos.

############### GRÁFICOS DAS SERIES #######################
data.part <- window(data, start=c(2011,1))
dates <- seq(as.Date('2011-01-01'), as.Date('2015-03-01'), by='1 month')
gtsplot(data.part, dates=dates)

graficos

Observe que apenas com esses quatro gráficos já é possível verificar o que está acontecendo na economia brasileira. Veja que o desemprego está aumentando nos últimos meses, enquanto o crescimento da renda [real e nominal] interanual tem caído. Isso já é um bom início de conversa para o que a Gabriela quer, não é mesmo? Mas, vamos em frente.

Antes de chegarmos ao teste de granger, vamos dar uma olhada em algumas correlações. Com a função cor aplicada sobre o seu objeto no R, você pode obter uma tabela com as correlações entre todas as séries, como abaixo, usando o pacote stargazer.

Correlações
rendanominal rendareal desemprego desemprego_sa
rendanominal 1 0,82 -0,63 -0,64
rendareal 0,82 1 -0,56 -0,56
desemprego -0,63 -0,56 1 0,98
desemprego_sa -0,64 -0,56 0,98 1

Como esperado, renda e desemprego apresentam uma relação bastante razoável. Como dissemos acima, entretanto, a relação entre eles envolve alguma defasagem. Desse modo, podemos ver a correlação cruzada para nos decidirmos sobre quais variáveis específicas vamos fazer o teste de granger. Mostro abaixo, apenas, os gráficos entre renda nominal e desemprego sem ajustes sazonais. Foi usada a função lag2.plot do pacote astsa.

lag1

Correlação Cruzada entre Desemprego e Renda.

lag2

Correlação Cruzada entre Renda e Desemprego.

Bom, com esses gráficos é possível ver que a correlação [negativa] se torna mais forte quando a renda nominal é confrontada com a primeira e segunda defasagens do desemprego sem ajustes sazonais. Temos, assim, nossos candidatos para o granger. Isto é, vamos verificar se a correlação entre renda nominal e desemprego sem ajustes implica em causalidade, no sentido dado pelo teste. Antes, claro, temos que verificar se essas séries são estacionárias, não é mesmo? Para isso, vamos aplicar o protocolo de Pfaff (2008) e utilizar o pacote urca para o teste ADF Sequencial ilustrado pelo autor.

Um detalhe chato [para alguns] é que na hora de rodar o teste ADF é preciso escolher o número de defasagens, de modo a não incorrer em autocorrelação serial. Em geral, se faz essa escolha através de critérios de informação. Aqui, entretanto, vamos aplicar o teste Ljung-Box aos resíduos do teste ADF para verificar se o lag utilizado incorre em autocorrelação. Isso, claro, seria muito chato se tivéssemos de fazer um por um. O Ricardo Lima, entretanto, me passou uma função e um loop utilizados no curso de mestrado dele, no curso de séries temporais, lá na Universidade de Estocolmo. A ideia da função e do loop é aplicar o teste Ljung-Box sobre os resíduos do teste ADF e gerar uma sequência de gráficos no ambiente do RStudio de forma a verificar sobre qual lag não há autocorrelação [caso tenha interesse na função e no loop, entre em contato]. No nosso caso, os gráficos do desemprego e da renda nominal com os lags adequados são postos abaixo.

Teste Ljung-Box sobre os resíduos do Teste ADF

Teste Ljung-Box sobre os resíduos do Teste ADF: desemprego.

Teste Ljung-Box sobre os resíduos do Teste ADF

Teste Ljung-Box sobre os resíduos do Teste ADF: renda.

Com 12 e 10 lags, respectivamente, para o desemprego e renda, podemos garantir que não há autocorrelação na hora de rodar a equação do teste ADF. Com isto, podemos agora rodar a função ur.df do pacote urca para definir o processo gerador das séries. De modo a comparar a estatística de teste com os valores críticos, vamos rodar o código abaixo, pegando apenas esses dados. A partir disso, montamos uma tabela com a função stargazer do pacote de mesmo nome.

######### Teste Pfaff (2008) para Desemprego ###########
lags.adf <- 12 ### Lag escolhido com o Ljung-Box
data.ct <- ur.df(data[,'desemprego'], type='trend' , lags=lags.adf)@teststat
data.ct.cval <- t(ur.df(data[,'desemprego'], type='trend' ,
 lags=lags.adf)@cval)
ur.ct <- round(rbind(data.ct, data.ct.cval), digits=2)
table.data.ct <- stargazer(ur.ct,
 title='Teste ADF com tendência e drift',
 type='html',
 out='adf1.html', decimal.mark=',',
 digits=2,
 align=T)
Teste ADF com tendência e drift
tau3 phi2 phi3
statistic -3,24 5,87 7,60
1pct -3,99 6,22 8,43
5pct -3,43 4,75 6,49
10pct -3,13 4,07 5,47

A tabela nos indica que a 5% não é possível rejeitar a hipótese nula [que a série tem raiz unitária]. Essa informação é obtida ao compararmos a estatística de teste [-3,24] com o valor crítico da estatística tau3 [-3,43]: se for maior em módulo, rejeita-se. O protocolo que estamos usando, Pfaff (2008), nos indica que devemos consultar a estatística phi3, cuja hipótese nula é que o coeficiente da tendência é igual a zero, dado que  \pi é igual a zero. Ao fazer isso, nós rejeitamos H0, a 5%. O protocolo manda, então, ver se  \pi é igual a zero pela tabela normal. É possível ver os coeficientes com o mesmo comando acima, apenas modificando a parte final por @testreg$coefficients ou rodar a função ur.df sem especificar parâmetros e visualizar todos os dados com a função summary. Abaixo, coloco os coeficientes, com os respectivos p-valores.

Coeficientes do teste ADF
Estimate Std. Error t value Pr(> | t| )
(Intercept) 2,87 0,96 3,00 0,003
z.lag.1 -0,25 0,08 -3,24 0,002
tt -0,01 0,004 -2,80 0,01
z.diff.lag1 0,12 0,10 1,23 0,22
z.diff.lag2 0,09 0,10 0,96 0,34
z.diff.lag3 0,08 0,09 0,83 0,41
z.diff.lag4 0,05 0,09 0,53 0,59
z.diff.lag5 0,02 0,09 0,19 0,85
z.diff.lag6 0,08 0,08 0,98 0,33
z.diff.lag7 0,04 0,08 0,46 0,64
z.diff.lag8 -0,02 0,08 -0,21 0,83
z.diff.lag9 -0,03 0,08 -0,40 0,69
z.diff.lag10 0,01 0,07 0,09 0,93
z.diff.lag11 0,01 0,07 0,12 0,90
z.diff.lag12 0,58 0,07 8,22 0

Estamos interessados no z.lag.1, que é estatisticamente significativo pela tabela normal. Logo, podemos dizer que o desemprego é estacionário ao redor de uma tendência e tratá-lo dessa forma na hora de rodar o teste de granger. Simples, não? Não, eu sei. Mas, aos poucos, você se acostuma e as coisas passam a ser mais naturais.

Fiz o mesmo procedimento para a renda e cheguei à conclusão que ela é estacionária. Assim, com ambas as séries estacionárias, podemos, enfim, rodar o teste de granger. Isso é feito com o código abaixo, a partir do carregamento do pacote vars.

####################### GRANGER CAUSALITY ###########################
granger <- cbind(data[,'rendanominal'],data[,'desemprego'])
colnames(granger) <- c('renda', 'desemprego')
VARselect(granger,lag.max=12, type=c("const"),season=NULL)
grangertest(granger[,'renda']~granger[,'desemprego'],
 order=1, data=granger)
grangertest(granger[,'desemprego']~granger[,'renda'],
 order=1, data=granger)

E abaixo os resultados...

> grangertest(granger[,'renda']~granger[,'desemprego'],
+ order=1, data=granger)
Granger causality test

Model 1: granger[, "renda"] ~ Lags(granger[, "renda"], 1:1) + Lags(granger[, "desemprego"], 1:1)
Model 2: granger[, "renda"] ~ Lags(granger[, "renda"], 1:1)
 Res.Df Df F Pr(>F) 
1 141 
2 142 -1 10.179 0.001751 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> grangertest(granger[,'desemprego']~granger[,'renda'],
+ order=1, data=granger)
Granger causality test

Model 1: granger[, "desemprego"] ~ Lags(granger[, "desemprego"], 1:1) + Lags(granger[, "renda"], 1:1)
Model 2: granger[, "desemprego"] ~ Lags(granger[, "desemprego"], 1:1)
 Res.Df Df F Pr(>F)
1 141 
2 142 -1 0.1978 0.6572

Então, leitor, chegamos onde queríamos. Recapitulando, queríamos verificar se o desemprego ajuda a prever o comportamento da renda nominal. De fato, o teste de granger não nos impede de fazermos essa afirmação. O resultado do teste mostra que o desemprego granger causa a renda, dada a rejeição da hipótese nula. Para o caso contrário, entretanto, não podemos rejeitar a hipótese nula de que a renda não granger causa o desemprego. Desse modo, podemos nos concentrar no argumento de que o comportamento do desemprego é um bom indicador para prevermos a renda.

Se é assim,  o aumento do desemprego em 2015, como escrevi em post recente, deve contaminar a renda nominal. Dada a elevada inflação, a renda real deve, portanto, sofrer pelos dois lados, o que compromete negócios que têm nela um de seus determinantes de expansão. Em outras palavras, como disse para a Gabriela, os empreendedores devem ter cautela. É uma boa oportunidade de negócio, sem dúvida, mas no curto prazo, creio que é um tanto quanto arriscado fazer pesados investimentos, dado que o cenário prospectivo não é dos melhores.

Um outro aspecto que ela me perguntou foi sobre o impacto regional desse tipo de empreendimento. Minha resposta foi que depende muito de como as prefeituras e os empreendedores encaram o negócio. Observo que há grandes possibilidades de geração de uma rede de trucks, com feiras ou algo do tipo, o que exige infraestrutura (praças, recolhimento de lixo, segurança, etc.), bem como coordenação dos empreendedores. Se assim for feito, sim, acho que pode ter impacto, dado que gera externalidades positivas, com a geração de outros negócios ao redor (parques de diversão, artesanato, festivais de música, etc.).

No mais, leitor, espero que esse exercício tenha dado uma pequena amostra de como os economistas trabalham e como uma análise de conjuntura pode ser feita, com algum rigor, além de apenas chutes e pontapéis... 🙂

No Dia do Trabalho, vamos falar de desemprego?

By | Macroeconometria, Mercado de Trabalho

Eu sei, é chato. Economistas, em geral, gostam de falar de coisas chatas nos momentos mais inapropriados. É o cara chato que alerta para o fim do chope, ou pior: quer tirar o chope no melhor da festa. Chato, simplesmente chato. Mas, é o trabalho que alguém tem que fazer, não é mesmo? Pois é. Cá estamos nós para fazer o trabalho que ninguém gostaria de fazer nesse feriado de primeiro de maio: Dia do Trabalho. Um feriado internacional que celebra uma das relações mais consagradas de uma economia de mercado. E, então, vamos falar de desemprego, no Brasil, em 2015? Chato, eu sei, mas alguém tem que lidar com isso...

Direto do front, as notícias não são boas, leitor, infelizmente. A última publicação sobre desemprego nesse espaço foi essa aqui, utilizando R, o que se ainda não é, vai virar praxe nesse espaço - sim, ainda usamos Eviews vez ou outra, mas não nos condene! À época, a média dos dois modelos que rodamos situava o desemprego médio entre 5,2% e 5,6% da PEA em 2015, com dados até dezembro de 2014. O desemprego no primeiro trimestre do ano ficou em 5,8%, 0,8 pontos percentuais acima do mesmo período de 2014, o que nos faz ser um pouco mais pessimistas do que estávamos até então.

Os modelos utilizam como variáveis exógenas o crescimento interanual da PEA [População Economicamente Ativa] e PO [População Ocupada]. Para efeitos de previsões, de abril a dezembro do corrente ano, utilizamos a média dos últimos cinco anos para cada mês para a PEA e dados do CAGED [Cadastro Geral de Empregados e Desempregados do Ministério do Trabalho] para a PO. Em outros termos, consideramos que a PEA manterá o crescimento visto nos últimos anos enquanto a população ocupada refletirá o desempenho mais desfavorável dos últimos meses, que tem sido demonstrado pelos dados do Ministério do Trabalho no CAGED.

Ressaltamos que essa é uma hipótese conservadora, dado que com a redução do crescimento dos salários, membros da família que até então não estavam procurando emprego, podem passar a procurá-lo. Em outras palavras, a procura por emprego [o crescimento da PEA] pode aumentar em 2015, o que piora a projeção do desemprego. Desse modo, nossas previsões, leitor, infelizmente, estão otimistas, em relação às projeções do mercado.

Os modelos foram estimados para uma amostra entre março de 2003 a março de 2015, totalizando 145 observações. O modelo 1 é um auto.arima, do pacote forecast, enquanto o modelo 2 foi baseado na análise das funções acf pacf, como detalhado no trabalho anterior. A tabela abaixo resume nossas previsões para o período de abril a dezembro de 2015. É preciso considerar o comportamento sazonal da taxa de desemprego ao longo do ano. Nosso interesse principal está na média do desemprego ao longo do ano, representada pela última linha da tabela, que inclui as observações do primeiro trimestre.

prevdesemprego2

Para lembrar, leitor, o desemprego médio de 2014 foi de 4,8% da PEA. Pela média dos nossos dois modelos, o desemprego esse ano aumenta, então, 0,9 pontos percentuais. Em relação à nossa última previsão, com dados da PME-IBGE até dezembro de 2014, houve uma piora de 0,3 p.p. E, novamente ressaltamos, estamos sendo otimistas, ao não considerar um aumento extraordinário da procura por emprego.

Por fim, a inovação desse post, que será recorrentemente vista no blog nos próximos meses, e que deu muito trabalho para um dos integrantes [Ricardo Lima], o gráfico da projeção do desemprego ao longo do ano, considerando os intervalos de confiança de 50%, 75% e 90%. A inspiração? O Banco Central Sueco, que faça chuva, sol ou neve, mantém a inflação abaixo da meta - que lá é de incríveis 2% a.a. - e, portanto, nem expectativas [de inflação] os agentes têm. Para quê, não é mesmo leitor?  Anyway, o gráfico da projeção do desemprego...

modelo01

modelo02

Gostou do gráfico? Pois é, ficou bem legal, após muito trabalho. Ele mostra que existe uma probabilidade não desprezível de que a tendência de queda do desemprego, vista nos últimos anos, seja, no mínimo, interrompida em 2015. Observe, a propósito, que o desemprego aumenta no primeiro semestre e cai no segundo, de acordo com o comportamento da produção. O comportamento sazonal do desemprego deve ser levado em consideração ao se olhar para o gráfico. Tendo em vista isso, um terceiro modelo, usando a série do desemprego dessazonalizado foi estimado via função auto.arima, bem como uma previsão para o mesmo período - abril a dezembro desse ano - foi feita. O gráfico é colocado abaixo.

modelo03

É possível ver que nos próximos meses o desemprego dessazonalizado irá oscilar e cair um pouco no final do ano. Mesmo assim, fechará dezembro em 5,5% da PEA, 0,4 pontos percentuais acima do que fechou no mesmo mês de 2014. No ano passado, o desemprego médio dessazonalizado ficou em 4,9%, enquanto a projeção do modelo 03 para esse ano indica um desemprego médio de 5,6%. Em outros termos, ainda que não seja possível verificar uma piora muito forte no desemprego - lembre-se que estamos sendo otimistas! - é possível verificar que a tendência de queda dos últimos anos tem uma probabilidade considerável de ser, no mínimo, interrompida - a reversão dependerá, basicamente, de um aumento na procura por emprego. A tabela abaixo resume as projeções para o dado dessazonalizado nos próximos meses.

Desemprego Dessazonalizado (% PEA)
Mínimo Médio Máximo
Abr/15 5,50 5,60 5,70
Mai/15 5,60 5,80 5,90
Jun/15 5,30 5,40 5,60
Jul/15 5,70 5,80 6
Ago/15 5,50 5,70 5,90
Set/15 5,40 5,60 5,80
Out/15 5,20 5,50 5,70
Nov/15 5,20 5,40 5,70
Dez/15 5,30 5,50 5,80

Economistas chatos, leitor, aproveitam o Dia do Trabalho para dizer que o desemprego irá aumentar em 2015, é mole? E nossas previsões estão, infelizmente, otimistas em relação ao mercado. Já vimos [por aí] projeções próximas a 6,5% da PEA para o ano. A conta chegou, leitor, e ela atingirá muitos trabalhadores, melhor então se preparar, não é mesmo?

Esperamos que, apesar de tudo, tenham gostado do post e do gráfico, ele será usado rotineiramente por aqui, para fazer projeção de câmbio, juros, inflação, pib e outras coisas... Semana que vem tem Raio-X da inflação, por que afinal ela está tão alta? Até!

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar Gratuitamente