Portfolio Analise Estatistica

Estudo próprio · dados públicos

Um em cada cinco jovens brasileiros não estuda nem trabalha. Investigamos o que explica isso — e o resultado contraria a intuição mais comum.

Este estudo foi produzido para demonstrar, de ponta a ponta, o método que aplicamos em projetos de análise estatística. Usamos dados públicos do IBGE, documentamos cada decisão metodológica e publicamos o código completo.

A pergunta

Existe um indicador internacional chamado NEET — do inglês Not in Education, Employment or Training. Ele mede a parcela de jovens que, ao mesmo tempo, não está estudando e não está trabalhando.

A taxa brasileira é conhecida e circula em reportagens: gira em torno de 20%. Mas saber o tamanho do problema não diz onde agir. A pergunta que importa é outra:

A diferença entre as duas perguntas é a diferença entre descrever e explicar. A primeira produz uma manchete. A segunda orienta política pública e investimento social.

O que encontramos

A intuição mais comum aponta para região — a ideia de que o problema é concentrado no Nordeste — ou para escolaridade, a ideia de que quem não terminou a escola fica fora do mercado.

Os dados mostram que ambas influenciam, mas nenhuma das duas é o fator dominante:

O gráfico abaixo torna isso visível. Observe que a diferença entre as barras rosa e azul, dentro de cada região, é maior que a diferença entre regiões:

Por que isso muda a leitura do problema

Se o fator dominante fosse escolaridade, a política correta seria ampliar vagas e reduzir evasão. Se fosse região, seria concentrar investimento no Nordeste.

Sendo sexo, a explicação mais plausível é outra: trabalho de cuidado não remunerado. Uma jovem que cuida de filhos, de irmãos ou de familiares idosos não é registrada como “ocupada” pela metodologia internacional — mas também não está disponível para estudar ou trabalhar formalmente.

Uma política desenhada apenas sobre oferta escolar erraria o alvo. O que essa leitura sugere é creche, contraturno e apoio ao cuidado como instrumentos com maior efeito potencial.

O momento em que o problema aparece

O segundo achado é sobre quando a situação se instala. A proporção de jovens fora da escola e do trabalho não é constante ao longo da juventude — ela dá um salto:

Entre 15 e 17 anos, a esmagadora maioria está na escola — efeito da obrigatoriedade do ensino básico. O salto acontece na transição para os 18 anos, quando a obrigatoriedade termina e a inserção no mercado passa a depender de oportunidade, qualificação e, como vimos, de disponibilidade para trabalhar fora de casa.

Em termos de intervenção, isso indica que a janela crítica é o fim do ensino médio — não a idade adulta, quando a situação já se consolidou.

Todos os fatores medidos

O modelo estimou o efeito de cada característica isolando as demais — ou seja, o efeito de região já desconta diferenças de escolaridade, sexo e cor entre as regiões.

A coluna de efeito mostra quantas vezes a chance aumenta ou diminui em relação ao grupo de referência:

Um resultado que merece atenção

Concluir o ensino médio reduz a chance em apenas 10% — bem menos que o senso comum sugere. Isso não significa que a escola não importe.

A explicação mais provável é sobreposição de efeitos: quem concluiu o ensino médio tende a ser mais velho, e a idade aumenta a chance de estar fora do mercado. Os dois efeitos se cancelam parcialmente dentro do modelo.

Este é exatamente o tipo de nuance que só aparece quando se controla por múltiplos fatores ao mesmo tempo — e que uma leitura de indicador isolado não captura.

Como fizemos

• Escolha da base Comparamos três fontes possíveis — Censo Escolar, RAIS e PNAD Contínua — e escolhemos a PNAD porque é a única que traz, da mesma pessoa, informação sobre estudo e trabalho, incluindo trabalho informal.
• Definição das variáveis Adotamos a definição internacional de NEET usada pela OCDE e pelo IBGE, documentando cada critério de classificação para permitir contestação.
• Respeito ao desenho da pesquisa A PNAD não é uma amostra aleatória simples: tem estratos, conglomerados e pesos diferentes por respondente. O modelo incorpora essa estrutura — sem isso, as margens de erro sairiam subestimadas e resultados falsos apareceriam como significativos.
• Modelagem Regressão logística com plano amostral complexo, estimando o efeito de cada característica com as demais controladas.
• Validação contra referência externa Comparamos nossos resultados com números publicados pelo IBGE e pelo IPEA. As três taxas principais ficaram dentro da faixa esperada.

Um erro que encontramos no caminho

Incluímos esta seção porque, na nossa visão, o que distingue uma análise confiável não é a ausência de erros — é o processo que os detecta.

Esse episódio é a razão de existir a etapa de validação contra referência externa no nosso processo. Sem ela, o erro passaria.

O que este estudo não diz

Declarar limites faz parte da entrega. Quatro ressalvas importantes:

• Associação não é causa. O estudo mostra que ser mulher está associado a maior chance, com magnitude medida. Não prova o mecanismo — a hipótese do trabalho de cuidado é a mais plausível, mas não foi testada diretamente.
• A definição internacional tem um viés conhecido. Trabalho doméstico não remunerado não conta como ocupação pela metodologia da OCDE, o que pode inflar a taxa feminina. Isso é limitação do indicador, não do estudo — e precisa ser dito.
• É um retrato, não um filme. Os dados são de um trimestre. Não acompanhamos as mesmas pessoas ao longo do tempo, então não sabemos quanto tempo alguém permanece nessa situação.
• Renda familiar não entra no modelo. É provavelmente a omissão mais relevante, e seria o próximo controle a incluir.

Ferramentas e reprodutibilidade

Todo o estudo é reproduzível: o código baixa os dados originais do IBGE, processa, modela e gera os relatórios automaticamente. Qualquer pessoa pode rodar e chegar aos mesmos números.

• R
• survey
• targets
• renv
• Quarto
• ggplot2
• PNADcIBGE
• Git