A taxa de desemprego é um indicador econômico de extrema importância, pois revela tanto o perfil do mercado de trabalho quanto a saúde da economia de uma região. Uma taxa de desemprego alta significa que um grande percentual da população quer trabalhar, mas não consegue encontrar emprego, enquanto uma taxa baixa revela uma situação econômica relativamente estável.
Compreender o comportamento da taxa de desemprego ao longo do tempo e nas diferentes comunidades da Califórnia é importante tanto para formuladores de políticas públicas quanto para cidadãos, empresas e investidores, que usam essas informações para tomar decisões — como a definição de estratégias de emprego, a avaliação de riscos econômicos e o direcionamento de recursos.
Neste trabalho, vou usar o conjunto de dados Local Area Unemployment Statistics (LAUS) da Califórnia, obtido pelo data.ca.gov e que cobre o período de 1976 a 2025.
Primeiramente, vou importar e preparar o conjunto de dados, removendo duplicatas, convertendo tipos de variável e tentando deixá-la pronta para a avaliação. Em seguida, vou aplicar métodos de análise exploratória, como cálculos de média, desvio-padrão e evolução temporal, junto a recursos de visualização, como histogramas, séries temporais e outras métricas, para destacar determinados padrões.
A abordagem consiste principalmente na combinação de métodos de
análise descritiva e visualização de
dados.
Com o uso de pacotes como dplyr,DT,
lubridate e ggplot2:
Com essa abordagem, vou conseguir tanto uma visão geral quanto uma análise detalhada, que permitirá ao usuário compreender tanto o contexto histórico quanto as peculiaridades de determinados municípios.
Esta avaliação permitirá que diferentes grupos de interesse — como governantes, comunidades, empresas e investidores — tomem decisões mais embasadas. Por exemplo:
Em suma, essa abordagem permitirá uma avaliação clara, baseada em dados e relevante sobre o mercado de trabalho na Califórnia.
Neste trabalho serão usados os seguintes pacotes do R.
Eles serão carregados no inicio da execução para que o
leitor tenha clareza sobre o que é preciso para reproduzir a mesma
análise.
Logo em seguida, vou dar uma breve explicação sobre o propósito
de cada um.
pacotes_necessarios <- c("readr","dplyr","ggplot2","lubridate","tidyr","DT","plotly","knitr","htmltools")
instalar <- pacotes_necessarios[!(pacotes_necessarios %in% installed.packages()[,"Package"])]
if(length(instalar)) install.packages(instalar)
# Leitura eficiente de arquivos CSV
library(readr)
#Usa para dimensionar os graficos do plotly
library(htmltools)
# Manipulação de dados (filter, mutate, group_by, summarise etc.)
library(dplyr)
# Visualização de dados (gráficos de linha, barras, boxplot etc.)
library(ggplot2)
# Manipulação de datas (extração de mês, ano, conversão de formatos etc.)
library(lubridate)
# Transformação de dados (pivot_longer, pivot_wider etc.)
library(tidyr)
# Tabelas interativas em HTML
library(DT)
# Gráficos interativos a partir de objetos ggplot
library(plotly)
# Para renderização e formatação de tabelas no R Markdown
library(knitr)readr: Utilizado para importar dados em formato CSV de forma rápida e segura, evitando problemas comuns com encoding e tipos de variáveis.
dplyr: Fornece um conjunto de funções para manipulação de dados de forma concisa e legível. Permite realizar operações como filter, mutate, group_by, summarise, entre outras.
ggplot2: Principal pacote de visualização de dados no R, usado para criar gráficos sofisticados e personalizáveis como linhas, barras, histogramas e muito mais.
lubridate: Facilita o tratamento de datas no R, como a conversão de strings em datas e extração de componentes como mês e ano — essencial em análises temporais.
tidyr: Auxilia na organização da estrutura dos dados, especialmente na transformação entre os formatos “largo” e “longo”, muito útil para análises e visualizações.
DT: Usado para criar tabelas interativas em HTML, que permitem ordenação, busca e paginação no navegador.
plotly: Permite transformar gráficos ggplot2 em gráficos interativos, possibilitando zoom, tooltip e melhor exploração visual dos dados.
knitr: Pacote usado internamente no R Markdown para renderizar os blocos de código e resultados, além de permitir a criação de tabelas formatadas com kable.
htmltools: Pacote usado para editar os gráficos interativos, foi usando para centralizar os gráficos obtidos.
Os dados utilizados neste projeto foram obtidos pelo portal
oficial do Governo da Califórnia, na seção Local Area
Unemployment Statistics (LAUS).
Eles representam uma série temporal de 1976 a 2025,
mostrando, para diferentes comunidades da Califórnia, o tamanho da força
de trabalho, o emprego, o desemprego e a taxa de desemprego.
Este conjunto de dados contém: - 210.952 observações - 12 variáveis - Uma combinação de áreas geográficas, como o estado da Califórnia, determinados condados e áreas metropolitanas.
Seu propósito original é apoiar a avaliação de
políticas públicas, a tomada de decisão de empresas e comunidades, e a
compreensão das condições do mercado de trabalho ao longo do
tempo.
O conjunto cobre o período de janeiro de 1976 a fevereiro de
2025.
Seasonally.Adjusted.Y.N. revela se o valor foi
ajustado sazonalmente.Date_Numeric chegou como texto, sendo preciso
transformá-la para um objeto de data.Year ficou redundante depois que criamos a
nova variável Date.# Importando o arquivo CSV
dados <- read.table(
"https://www.dropbox.com/scl/fi/sslkl9oidvltjap193wls/laborforceandunemployment_monthly.csv?rlkey=7r88iewt5plkvu7yruwwvqh5r&st=y3qif3bb&dl=1",
header = TRUE,
sep = ",",
stringsAsFactors = FALSE
)
dados <- dados %>% mutate(Date = my(Date_Numeric)) %>% select(-Date_Numeric) %>% relocate(Date, .after = Month)
dados <- dados %>% mutate(Month = factor(Month, levels = month.name, ordered = TRUE))
dados <- dados %>% mutate(Area.Type = factor(Area.Type,
levels = c("State", "County", "Metropolitan Area", "Sub-County Place"),
ordered = FALSE))
dados <- dados %>% mutate(Status = factor(Status, levels = c("Preliminary", "Final"),ordered = FALSE))
dados <- dados %>%mutate(Benchmark = factor(Benchmark, levels = c(2020, 2024),labels = c("2020", "2024")))
dados <- dados %>% mutate(Seasonally.Adjusted.Y.N. = as.factor(Seasonally.Adjusted.Y.N.))Para visualizar interativamente uma amostra do conjunto de dados limpo, utilizamos o pacote DT. Aqui exibimos as 10 primeiras linhas, com filtros na parte superior e 5 linhas por página:
Neste ponto, resumimos algumas métricas-chave presentes no conjunto
de dados.
Usamos o sapply para aplicar a mesma função a várias
colunas de interesse de forma simples e concisa.
estrutura <- data.frame(
Variável = names(dados),
Classe = sapply(dados, function(x) class(x)[1]),
row.names = NULL,
stringsAsFactors = FALSE
)
kable(
estrutura,
caption = " Estrutura das variáveis do conjunto de dados limpo"
)| Variável | Classe |
|---|---|
| Area.Name | character |
| Area.Type | factor |
| Year | integer |
| Month | ordered |
| Date | Date |
| Seasonally.Adjusted.Y.N. | factor |
| Status | factor |
| Labor.Force | integer |
| Employment | integer |
| Unemployment | integer |
| Unemployment.Rate | numeric |
| Benchmark | factor |
A seguir são apresentadas as definições de cada coluna do conjunto de dados, segundo a documentação do programa LAUS do Bureau of Labor Statistics e do portal data.ca.gov.
Area.Name
Nome oficial da unidade geográfica para a qual as estatísticas de força
de trabalho foram estimadas (por exemplo, “California”, “Los Angeles
County”, “San Diego-Carlsbad MSA”). Identifica a residência das pessoas
na força de trabalho. :contentReferenceoaicite:0
Area.Type
Categoria da área geográfica:
Month
Nome do mês (“January” a “December”), convertido em fator ordenado para
suportar análises sazonais e construções de séries temporais.
Date
Objeto Date correspondente ao primeiro dia do mês (formato
“YYYY‑MM‑01”), criado a partir de Date_Numeric. Facilita
operações e gráficos baseados em tempo.
Seasonally.Adjusted.Y.N.
Indicador se o valor foi ajustado sazonalmente (“Y”) para remover
flutuações regulares (clima, feriados etc.) ou não (“N”). As séries
ajustadas são usadas para comparações consistentes ao longo do ano.
:contentReferenceoaicite:2
Status
Denota se o dado é Preliminary (estimativa inicial) ou
Final (valor revisado e consolidado). Para análises
históricas, utiliza-se preferencialmente “Final”.
Labor.Force
Número total de pessoas em idade de trabalhar que estavam ativamente na
força de trabalho, ou seja, que tinham emprego ou o estavam procurando
(soma de Employment + Unemployment).
:contentReferenceoaicite:3
Employment
Quantidade de pessoas empregadas no período de referência.
Unemployment
Quantidade de pessoas desempregadas — disponíveis e procurando
trabalho.
Unemployment.Rate
Taxa de desemprego, expressa em percentual e calculada como
\[
\frac{\text{Unemployment}}{\text{Labor.Force}} \times 100\%.
\]
Benchmark
Ano de referência usado pelo BLS para revisar e ajustar as séries
históricas, garantindo alinhamento com pesquisas de emprego e sistemas
de seguro‑desemprego.
sazonalidade <- dados %>%
filter(Area.Name == "California", Seasonally.Adjusted.Y.N. == "N") %>%
group_by(Month) %>%
summarise(Media_Taxa = mean(Unemployment.Rate, na.rm = TRUE))
grafico_desempregados_por_mes <- ggplot(sazonalidade, aes(x = Month, y = Media_Taxa)) +
geom_col(fill = "#7D3C98") +
labs(title = "Média da Taxa de Desemprego por Mês (Não Ajustado)",
x = "Mês", y = "Taxa de Desemprego (%)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Centralizando o gráfico interativo
browsable(div(style = "text-align: center;", ggplotly(grafico_desempregados_por_mes)))Ao ser feito a análise da tabela e gráfico, fica perceptivel quw A análise da média histórica da taxa de desemprego por mês, sem ajuste sazonal, revela padrões cíclicos relevantes ao longo do ano na Califórnia.
Os meses com maior média de desemprego foram:
Janeiro (7,6%)
Julho (7,49%)
Fevereiro (7,45%)
Junho (7,26%)
Esses picos refletem comportamentos sazonais típicos do mercado de trabalho. Em janeiro, por exemplo, observa-se um aumento natural do desemprego associado ao fim de contratos temporários de fim de ano (especialmente no comércio e serviços) e à paralisação de atividades sazonais no inverno.
Julho e junho, por sua vez, coincidem com o início e meio das férias escolares e acadêmicas, além da redução de postos de trabalho em setores como educação e serviços temporários. Também pode refletir o fim de ciclos semestrais de contratação.
Por outro lado, os meses com menores médias de desemprego foram:
Dezembro (6,76%)
Outubro (6,78%)
Maio (6,8%)
Setembro (6,84%)
Esses meses tendem a apresentar maior estabilidade no emprego, por motivos como:
Retomada das atividades após o verão (setembro e outubro);
Picos de contratação no comércio antes das festas (novembro e dezembro);
Encerramento de ciclos produtivos estáveis (maio).
A diferença entre o mês com maior média (janeiro) e o menor (dezembro) é de aproximadamente 0,84 ponto percentual, o que, considerando o tamanho da força de trabalho da Califórnia, representa centenas de milhares de pessoas.
california_longa <- california_emp_desemp %>%
pivot_longer(cols = c("Empregados", "Desempregados"),
names_to = "Status",
values_to = "Quantidade")
grafico_emp_desemp <- ggplot(california_longa, aes(x = Year, y = Quantidade / 1e6, color = Status)) +
geom_line(size = 1) +
geom_point(size = 2) +
labs(
title = "Evolução de Empregados e Desempregados na Califórnia",
x = "Ano",
y = "Quantidade (Milhões)"
) +
theme_minimal()
# Centralizando o gráfico interativo
browsable(div(style = "text-align: center;", ggplotly(grafico_emp_desemp)))O gráfico e a tabela apresentam a evolução anual da média de empregados e desempregados na Califórnia, mostrando tanto o número médio de pessoas empregadas quanto o de desempregadas ao longo de quase 50 anos (de 1976 a 2025).
É interessante notar algumas tendências e picos específicos ao longo desse período:
Crescimento gradual do emprego:
A média de pessoas empregadas aumentou de cerca de 9 milhões em
1976 para aproximadamente 18,6 milhões em
2025.
Isso revela tanto o crescimento populacional quanto o
desenvolvimento da economia da Califórnia, que absorveu
gradualmente uma maior força de trabalho ao longo das décadas.
Períodos de crise:
A taxa de desemprego apresenta picos particularmente acentuados em
determinados período.
Isso ficou claro, por exemplo:
Em 1982-83, o desemprego chegou a aproximadamente 1,2 milhão, provavelmente reflexo da recessão econômica do período.
Em 2009-2010, o desemprego na Califórnia atingiu cerca de 2,1-2,2 milhões de pessoas, como resultado da crise financeira de 2008, também denominada crise do subprime.
Esta crise teve como ponto de partida o setor
imobiliário nos Estados Unidos, particularmente o
mercado de hipotecas de alto risco (subprime). Quando o
preço das casas caiu abruptamente, muitos mutuários
deixaram de pagar suas hipotecas, o que gerou uma onda de
execução de imóveis (foreclosures).
Isso teve um efeito dominó sobre o crédito, já que
bancos e outras instituições financeiras estavam fortemente expostos a
ativos hipotecários.
Com o colapso de algumas das principais empresas financeiras, como o
Lehman Brothers, o crédito ficou escasso tanto para
empresas quanto para consumidores.
Isso, por sua vez, levou ao fechamento de empresas, demissões em
massa e ao crescimento do desemprego, particularmente em
determinados setores fortemente dependentes de crédito,
como construção, imobiliário,
comércio e serviços.
A Califórnia, sendo um estado com setor imobiliário robusto e
grande concentração populacional, foi particularmente
atingida.
Isso se refletiu tanto no pico do desemprego, que
chegou a 2,2 milhões de pessoas, quanto na
perda de empregos nas comunidades.
Este período revela como uma crise originada no mercado
financeiro consegue se propagar para o setor real da
economia, aumentando o desemprego, a
perda de renda e a instabilidade
social.
Em 2020, houve um pico de quase 1,9 milhão de desempregados, associado ao choque da COVID-19 e às medidas de isolamento que paralisaram determinados setores da economia.
Tendência de recuperação:
Na sequência de cada período de crise, verifica-se uma recuperação
gradual tanto do emprego quanto do desemprego, mostrando a
resiliência do mercado de trabalho da Califórnia.
Isso ficou particularmente claro no período de 2010-2019, depois da
crise de 2008, e também a partir de 2021, depois do pico de
2020.
Dados recentes (2024-2025):
A taxa de emprego se mantém relativamente alta (acima de 18,6 milhões)
enquanto o desemprego ficou em torno de 1 milhão.
Isso revela uma recuperação quase ao patamar
pré-pandemia, embora o desemprego ainda seja maior que o
período de 2019.
Em suma, a tabela revela tanto o impacto de diferentes crises econômicas no mercado de trabalho da Califórnia, quanto a capacidade de recuperação da economia ao longo do tempo, sendo uma importante fonte de avaliação tanto para formuladores de políticas públicas quanto para empresas e investidores.
library(ggplot2)
library(dplyr)
california_linha <- dados %>%
filter(Area.Type == "State",
Seasonally.Adjusted.Y.N. == "Y",
Year %in% c(2019, 2020, 2021, 2024)) %>%
select(Year, Month, Unemployment.Rate)
Evolucao_Mensal_Taxa_Desemprego <- ggplot(california_linha, aes(x = Month, y = Unemployment.Rate, color = factor(Year), group = Year)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
labs(
title = "Evolução Mensal da Taxa de Desemprego na Califórnia",
x = "Mês",
y = "Taxa de Desemprego (%)",
color = "Ano"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
browsable(div(style = "text-align: center;", ggplotly(Evolucao_Mensal_Taxa_Desemprego)))A Taxa Mensal de Desemprego na Califórnia (2019, 2020, 2021 e 2024) e o gráfico de Evolução Mensal da Taxa de Desemprego na Califórnia representam a evolução da taxa de desemprego na Califórnia ao longo de 2019, 2020, 2021 e 2024.
É preciso destacar algumas tendências e pontos críticos que podemos extrair:
Em 2019, a taxa de desemprego ficou relativamente estável, oscilando em torno de 4%, mostrando um período de pleno emprego e estabilidade econômica.
Em 2020, porém, houve um salto
abrupto na taxa de desemprego a partir de
março, chegando ao pico de 16,1% em abril de
2020.
Isso corresponde exatamente ao período em que a pandemia da
COVID-19 teve maior impacto no mercado de trabalho, exigindo o
fechamento de empresas e medidas de isolamento.
A partir de junho de 2020, a taxa gradualmente
caiu, embora tenha permanecido relativamente alta até o
fim do ano.
Isso revela uma recuperação gradual, enquanto
determinados setores começaram a retomar suas atividades.
Em 2021, o movimento de recuperação continuou, chegando ao final do período com uma taxa de desemprego de 5,4%, ainda maior que o patamar pré-pandemia, porém bem distante do pico de 2020.
Finalmente, em 2024, a taxa ficou relativamente estável, oscilando em torno de 5,1% a 5,5%, mostrando que o mercado de trabalho se aproximou de um patamar de normalidade, embora ainda um ponto percentual maior que o período pré-pandemia.
Este comportamento revela como o choque da COVID-19 teve um impacto severo e abrupto no emprego na Califórnia, seguido de uma recuperação gradual, até quase o patamar anterior, embora o desemprego não tenha exatamente retornado ao período de estabilidade de 2019.
Isso evidencia tanto a vulnerabilidade do mercado de trabalho
a choques externos, quanto a resiliência da
economia, que gradualmente consegue se adaptar e se
recompor.
Com esses dados, gestores e formuladores de políticas públicas vêm sendo
capazes de traçar estratégias de recuperação, focando
principalmente no apoio ao emprego e na
qualificação da força de trabalho, tentando minimizar o
período de desemprego prolongado para determinados grupos.
O gráfico e tabela a seguir demostra de forma mais condensada a taxa de desemprego anual que se teve em cada um dos anos apresentados e discutidos.
california_comp <- dados %>%
filter(Area.Type == "State",
Seasonally.Adjusted.Y.N. == "Y",
Year %in% c(2019, 2020, 2021, 2024)) %>%
group_by(Year) %>%
summarise(TaxaMedia = mean(Unemployment.Rate, na.rm = TRUE), .groups = "drop")
Comparativa_da_desemprego <- ggplot(california_comp, aes(x = factor(Year), y = TaxaMedia, fill = factor(Year))) +
geom_col() +
labs(
title = "Comparativa da taxa de desemprego na Califórnia",
x = "Ano",
y = "Taxa de Desemprego (%)",
fill = "Ano"
) +
theme_minimal()
browsable(div(style = "text-align: center;", ggplotly(Comparativa_da_desemprego)))A tabela e o gráfico a seguir monstram um comparativo do emprego e desemprego em 2023 nos 5 condados mais populosos da Califórnia: Los Angeles County, Orange County, Riverside County, San Bernardino County e San Diego County.
É interessante notar que:
Los Angeles County apresenta o maior número tanto de empregados quanto de desempregados, sendo ele o maior centro populacional da Califórnia. Ele registra aproximadamente 115,2 milhões de pessoas empregadas e 6,15 milhões de desempregadas.
Por outro lado, o Orange County apresenta um número relativamente alto de empregados (18,7 milhões), porém o desemprego (cerca de 0,67 milhão) é consideravelmente menor que o de Los Angeles.
Riverside, San Bernardino e San Diego seguem uma mesma tendência: o número de empregados é maior que o de desempregados, sendo San Diego o 2º maior depois de Los Angeles.
A comparação evidencia tanto o porte populacional de cada
condado quanto a proporção de desempregados.
Isso revela como o mercado de trabalho na Califórnia não é homogêneo;
ele apresenta concentrações de emprego e desemprego que
refletem tanto o tamanho populacional quanto a dinâmica econômica de
cada região.
Por fim, o gráfico de barras, junto da tabela, proporciona uma
visualização clara e comparativa , mostrando tanto o total de
empregados quanto o de desempregados.
Isso torna mais simples para o observador notar o tamanho do mercado de
trabalho de cada condado e também a taxa de desemprego relativa ao total
de empregos.
condados_selecionados <- c("Los Angeles County", "Orange County",
"Riverside County", "San Bernardino County", "San Diego County")
dados_selecionados <- dados %>%
filter(Area.Type == "County",
Area.Name %in% condados_selecionados, Year == 2023) %>%
group_by(Area.Name) %>%
summarise(
Total_Empregados = mean(Employment, na.rm = TRUE),
Total_Desempregados = mean(Unemployment, na.rm = TRUE),
.groups = "drop"
) %>%
pivot_longer(cols = c("Total_Empregados", "Total_Desempregados"),
names_to = "Status",
values_to = "Quantidade")
comparativo_empregado_desempregado <- ggplot(dados_selecionados, aes(x = reorder(Area.Name, Quantidade),
y = Quantidade / 1e6, fill = Status )) +
geom_bar(stat = 'identity', position = "dodge") +
labs(
title = "Comparativo de Empregados e Desempregados (2023)",
x = "Condado",
y = "Quantidade (Milhões de Pessoas)",
fill = ""
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
browsable(div(style = "text-align: center;", ggplotly(comparativo_empregado_desempregado)))Nesta seção, criamos uma nova variável chamada Taxa de Emprego, calculada como a razão entre o número de empregados e a força de trabalho total. Essa métrica nos ajuda a avaliar em quais anos era mais fácil estar empregado, além de comparar o crescimento do mercado com a absorção real de trabalhadores.
df_longo <- taxa_emprego_df %>%
select(Year, Forca_Trabalho, Empregados) %>%
pivot_longer(cols = c("Forca_Trabalho", "Empregados"),
names_to = "Indicador", values_to = "Quantidade")
grafico_emprego <- ggplot(df_longo, aes(x = Year, y = Quantidade / 1e6, color = Indicador)) +
geom_line(size = 1.2) +
geom_point(size = 2) +
labs(
title = "Evolução da Força de Trabalho e Empregados na Califórnia (1976–2025)",
x = "Ano",
y = "Milhões de Pessoas",
color = "Indicador"
) +
theme_minimal()
browsable(div(style = "text-align: center;", ggplotly(grafico_emprego)))grafico_taxa_emprego <- ggplot(taxa_emprego_df, aes(x = Year, y = Taxa_Emprego)) +
geom_line(color = "#1ABC9C", size = 1.2) +
geom_point(size = 2) +
labs(
title = "Taxa de Emprego na Califórnia",
x = "Ano",
y = "Taxa (%)"
) +
theme_minimal()
browsable(div(style = "text-align: center;", ggplotly(grafico_taxa_emprego)))A força de trabalho da Califórnia cresceu de cerca de 9,9 milhões em 1976 para quase 20 milhões em 2025, refletindo o aumento populacional e a diversificação econômica.
Em 2000 e 2019, a Taxa de Emprego ultrapassou 95%, refletindo um cenário de pleno emprego.
Já em 2009, 2010 e 2020, a taxa caiu para menos de 90%, destacando os efeitos da crise financeira global e da pandemia da COVID-19.
Após cada crise, observa-se uma recuperação gradual, indicando resiliência do mercado de trabalho californiano.
Em 2022–2023, a taxa de emprego voltou a ultrapassar os 95%, demonstrando a recuperação econômica recente.
Essa análise fornece uma métrica complementar à taxa de desemprego tradicional, reforçando em quais momentos era mais provável estar empregado e permitindo diagnósticos de desempenho econômico ao longo do tempo.
O objetivo deste trabalho foi compreender a evolução da taxa de desemprego na Califórnia ao longo do tempo, com atenção a padrões sazonais, choques econômicos, variações entre regiões e a capacidade do mercado em absorver a força de trabalho. A análise visou fornecer informações úteis para a tomada de decisões por gestores públicos, investidores e cidadãos, com base em evidências históricas e visuais concretas.
A análise revelou descobertas relevantes:
Esta análise oferece suporte valioso para:
A inclusão da Taxa de Emprego como métrica interpretativa fornece uma leitura mais acessível e direta da “facilidade de se manter empregado”.
Apesar da riqueza de informações, a análise possui limitações:
Como próximos passos, seria possível:
Bureau of Labor Statistics. (2024). Local Area Unemployment Statistics (LAUS). Disponível em: https://www.bls.gov/lau/
California Open Data Portal. (2024). Labor Force and Unemployment Data (1976–2025). Disponível em: https://data.ca.gov/
Wickham, H., & Grolemund, G. (2016). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media.
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer.
Xie, Y. (2023). R Markdown: The Definitive Guide. Chapman and Hall/CRC. Disponível em: https://bookdown.org/yihui/rmarkdown/
R Core Team. (2025). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Disponível em: https://www.R-project.org/