Penelitian 4Alpha: Apakah ada perkiraan berlebihan yang sistematis terhadap data ketenagakerjaan AS?

4 Peneliti Alpha Research: Kamiu

Dalam ekonomi global saat ini, pentingnya data ketenagakerjaan bagi para pembuat kebijakan moneter makro global dan pasar perdagangan sudah jelas. Sebagai indikator penting untuk mengukur perkembangan ekonomi, data penggajian nonpertanian AS selalu menarik banyak perhatian. Namun, telah lama ada suara yang mempertanyakan di pasar: Mengapa data ketenagakerjaan AS dan tren CPI menyimpang satu sama lain, dan mengapa ada perbedaan besar antara survei rumah tangga dan survei perusahaan? Ketidaksepakatan ini telah menyebabkan beberapa orang meragukan data penggajian nonpertanian yang dirilis oleh Departemen Tenaga Kerja AS, percaya bahwa mungkin ada kesalahan atau bahkan perkiraan yang berlebihan secara sistematis, terutama dengan ketidaknormalan yang berulang pada data nonpertanian sejak 2024 dan penurunan tajam data nonpertanian pada Juli 2024, keraguan sistematis tentang data nonpertanian semakin meningkat.

Selanjutnya, kita akan menelusuri alasan di balik fenomena ini dan kemungkinan dampaknya terhadap analisis pasar dan pembuatan kebijakan.

1. Mengapa data ketenagakerjaan AS telah lama diduga tidak akurat atau bahkan ditaksir terlalu tinggi secara sistematis?

Data ketenagakerjaan nonpertanian yang dirilis setiap bulan oleh Departemen Tenaga Kerja AS (BLS) mencakup data seperti jumlah orang yang bekerja dan tingkat pengangguran, dan selalu dianggap sebagai salah satu indikator ekonomi makro yang paling penting. Jumlah pekerjaan nonpertanian baru mencerminkan jumlah pekerjaan baru di sektor nonpertanian di Amerika Serikat, termasuk semua industri di luar sektor pemerintah, seperti manufaktur, jasa, dan konstruksi. Data ini membantu untuk memahami tingkat ekspansi pasar kerja AS dan ketatnya pasar tenaga kerja. Tingkat pengangguran mengacu pada proporsi angkatan kerja yang menganggur terhadap total angkatan kerja selama periode waktu tertentu. Ini adalah indikator penting lainnya dari kesehatan ekonomi dan mencerminkan tingkat kemalasan di pasar tenaga kerja. Upah per jam rata-rata mencerminkan tingkat pendapatan pekerja Amerika dan merupakan indikator penting untuk mengukur daya beli konsumen dan potensi tekanan inflasi.

Data penggajian nonpertanian memiliki dampak penting pada pasar keuangan, pembuatan kebijakan pemerintah, dan prakiraan ekonomi. Investor, ekonom, dan pembuat kebijakan memantau laporan ini secara ketat untuk menilai tren ekonomi AS dan membuat investasi serta keputusan yang sesuai. Kinerja data penggajian nonpertanian sering kali memengaruhi kebijakan moneter Federal Reserve, yang pada gilirannya memengaruhi pasar keuangan global. Namun, dalam beberapa tahun terakhir, ada pandangan yang berkembang bahwa data ketenagakerjaan AS tidak akurat dan mungkin secara sistematis dilebih-lebihkan, terutama karena alasan-alasan berikut:

1. Kesenjangan antar data nonpertanian dari berbagai sumber makin membesar (rinciannya diberikan di bawah), dan masalah kurangnya keandalan data makin mencuat, yang menimbulkan keraguan terhadap kredibilitas data ketenagakerjaan nonpertanian;

2. Ada potensi kontradiksi antara berbagai data makro. Berdasarkan tren penurunan signifikan data CPI baru-baru ini, pasar tenaga kerja terus menunjukkan tren pertumbuhan moderat. Perbandingan spesifiknya adalah sebagai berikut:

Januari 2024 :

CPI: Menurut Biro Statistik Tenaga Kerja AS, CPI pada bulan Januari turun 0,1% bulan ke bulan dan meningkat 6,4% tahun ke tahun.

Data ketenagakerjaan nonpertanian: Pada bulan Januari, jumlah pekerjaan nonpertanian baru adalah 517.000, dan tingkat pengangguran tetap pada 3,4%.

Februari 2024 :

CPI: CPI pada bulan Februari tetap tidak berubah dari bulan ke bulan dan meningkat sebesar 6,0% dari tahun ke tahun.

Data ketenagakerjaan nonpertanian: Pada bulan Februari, jumlah pekerjaan nonpertanian baru adalah 311.000, dan tingkat pengangguran turun sedikit menjadi 3,3%.

Maret 2024 :

CPI: Pada bulan Maret, CPI menurun sebesar 0,2% bulan ke bulan dan meningkat sebesar 5,2% tahun ke tahun.

Penggajian nonpertanian: Penggajian nonpertanian meningkat sebesar 235.000 pada bulan Maret dan tingkat pengangguran tetap tidak berubah.

April 2024 :

CPI: Pada bulan April, CPI turun sebesar 0,4% bulan ke bulan dan meningkat sebesar 4,9% tahun ke tahun.

Data ketenagakerjaan nonpertanian: Pada bulan April, jumlah pekerjaan nonpertanian baru adalah 213.000, dan tingkat pengangguran naik sedikit menjadi 3,4%.

Mei 2024 :

CPI: Pada bulan Mei, CPI menurun sebesar 0,3% bulan ke bulan dan meningkat sebesar 4,0% tahun ke tahun.

Data ketenagakerjaan nonpertanian: Pada bulan Mei, jumlah pekerjaan nonpertanian baru adalah 184.000, dan tingkat pengangguran tetap pada 3,4%.

Juni 2024 :

CPI: Pada bulan Juni, CPI menurun sebesar 0,2% bulan ke bulan dan meningkat sebesar 3,2% tahun ke tahun.

Data ketenagakerjaan nonpertanian: Pada bulan Juni, jumlah pekerjaan nonpertanian baru adalah 176.000, dan tingkat pengangguran turun sedikit menjadi 3,3%.

Data di atas menggambarkan skenario yang agak aneh, yaitu, pada paruh pertama tahun 2024, CPI AS menunjukkan tren penurunan bulan demi bulan, tetapi jumlah lapangan kerja nonpertanian terus meningkat secara moderat, menunjukkan ketahanan yang kuat, yang tidak konsisten dengan prediksi naif yang dibuat oleh pengamat berdasarkan kurva Phillips. Meskipun kurva Phillips telah terbukti berkali-kali dalam sejarah memiliki kemampuan yang sangat terbatas untuk menyesuaikan dan memprediksi situasi aktual, dan elastisitas spesifiknya juga merupakan topik perdebatan yang sudah lama ada di komunitas ekonomi makro, penyimpangan data yang berkelanjutan dari kurva Phillips pada skala waktu yang lebih lama dari tahun 2023 hingga saat ini akan tetap menyebabkan data itu sendiri dipertanyakan (artikel ini untuk sementara akan mengesampingkan diskusi kuno tentang kaliber statistik CPI);

3. Subdata yang termasuk dalam data nonpertanian saling bertentangan. Misalnya, dalam data ketenagakerjaan nonpertanian Mei 2024, yang secara umum dianggap pasar sebagai yang paling aneh dalam satu dekade terakhir, jumlah orang yang bekerja mencatat peningkatan yang signifikan, tetapi tingkat pengangguran meningkat secara signifikan ketika angkatan kerja tidak meningkat secara signifikan, sehingga membentuk kontradiksi diri yang sulit dibenarkan (tentu saja, jumlah pekerjaan nonpertanian baru pada bulan Mei telah direvisi secara signifikan ke bawah pada bulan Juni, tetapi hal ini semakin memperburuk pasar dan kalangan komentator meragukan keandalan data awal);

4. Mulai tahun 2024, data non-farm payrolls telah direvisi turun beberapa kali. Sejak tahun 2023, data non-farm payrolls yang dirilis oleh Biro Statistik Tenaga Kerja AS telah direvisi turun beberapa kali. Misalnya, data non-farm payrolls pada bulan Mei 2024 menunjukkan 272.000 pekerjaan baru, jauh melampaui ekspektasi pasar sebesar 185.000, tetapi revisi sebelumnya terhadap data non-farm payrolls telah menyebabkan pasar meragukan keakuratan data ini. The Philadelphia Fed bahkan menyarankan bahwa data non-farm payrolls 2023 mungkin telah melebih-lebihkan jumlah pekerjaan baru sebanyak 800.000;

5. Data penggajian nonpertanian bertentangan dengan data survei ketenagakerjaan lainnya dan terus lebih tinggi dari perkiraan kolektif para ekonom. Dalam beberapa bulan terakhir, Sensus Ketenagakerjaan dan Upah Triwulanan (QCEW) dan Ketenagakerjaan Swasta AS (ADP) telah lama menunjukkan tanda-tanda meredanya pasar kerja AS, tetapi data nonpertanian secara konsisten menunjukkan bahwa ketenagakerjaan AS telah menunjukkan ketahanan yang tidak terduga. Secara umum diyakini bahwa data penggajian nonpertanian tidak membedakan antara ketenagakerjaan formal dan informal, sementara QCEW dan data lainnya lebih berfokus pada statistik ketenagakerjaan formal, dengan cakupan terbatas pada statistik ketenagakerjaan informal dan paruh waktu.

2. Jelaskan secara singkat bagaimana data ketenagakerjaan non-pertanian dihitung

BLS menyusun data penggajian nonpertanian berdasarkan serangkaian survei terperinci dan metode statistik. Berikut ini adalah langkah-langkah dan metode utama untuk menghitung penggajian nonpertanian:

1. Survei sampel: BLS mengumpulkan data melalui survei rumah tangga (Current Population Survey, CPS) dan survei perusahaan (Current Employment Statistics, CES). Survei rumah tangga terutama digunakan untuk menghitung tingkat pengangguran dan tingkat partisipasi angkatan kerja, sedangkan survei perusahaan digunakan untuk menghitung jumlah penambahan pekerjaan dan upah rata-rata per jam;

2. Klasifikasi industri: Data ketenagakerjaan nonpertanian membagi ketenagakerjaan ke dalam berbagai kategori industri, seperti manufaktur, konstruksi, dan jasa, untuk menganalisis situasi ketenagakerjaan setiap industri secara lebih rinci;

3. Penyesuaian data: terutama mencakup penyesuaian musiman dan penyesuaian B/D:

• Untuk memastikan keakuratan data, BLS akan menyesuaikan data secara musiman untuk menghilangkan dampak faktor musiman pada data ketenagakerjaan. Secara khusus, pertama, BLS menganalisis data historis untuk mengidentifikasi dan mengukur pola musiman. Pola musiman mengacu pada fluktuasi data ketenagakerjaan karena faktor-faktor yang teratur atau dapat diprediksi (seperti hari libur, perubahan cuaca, liburan sekolah, dll.) dalam periode waktu tertentu. Kedua, BLS menggunakan metode analisis deret waktu S-ARIMA untuk menyesuaikan parameter model yang menjadikan residual sebagai white noise menggunakan data historis, dan secara musiman membedakan data asli untuk menghilangkan fluktuasi musiman.

• Pada saat yang sama, karena survei CES tidak dapat menangkap perubahan ketenagakerjaan dari perusahaan yang baru didirikan dan ditutup secara real time, BLS menggunakan model Penyesuaian Kelahiran/Kematian untuk memperkirakan perubahan ini agar dapat mencerminkan situasi pasar ketenagakerjaan yang sebenarnya dengan lebih akurat. Di antaranya: Model Kelahiran memperkirakan pekerjaan yang diciptakan oleh perusahaan yang baru didirikan. Model ini didasarkan pada data historis dan memperhitungkan tren pertumbuhan dan kondisi ekonomi makro dari berbagai industri untuk memprediksi kontribusi perusahaan baru terhadap pasar ketenagakerjaan; Model Kematian: memperkirakan pekerjaan yang hilang oleh perusahaan yang ditutup. Model ini juga didasarkan pada data historis untuk menganalisis frekuensi dan pola penutupan bisnis, serta dampak kondisi ekonomi makro terhadap kelangsungan hidup bisnis.

3. Kesimpulan: Apakah data ketenagakerjaan AS sengaja dilebih-lebihkan?

Penulis percaya bahwa, dalam hal dipertanyakan, CPI dan non-farm payrolls memiliki sifat yang serupa. Kedua data bulanan dengan signifikansi makroekonomi yang penting ini selalu dipertanyakan berulang kali oleh pasar apakah keduanya dimanipulasi untuk memenuhi kebutuhan politisi AS yang sedang menjabat untuk mendapatkan dukungan dan suara, dan dengan demikian mempertanyakan independensi Federal Reserve. Tentu saja, penulis tidak dapat sepenuhnya mengesampingkan kemungkinan teori konspirasi ini, tetapi tetap percaya bahwa anomali dan inkonsistensi dalam non-farm payrolls dalam beberapa tahun terakhir lebih disebabkan oleh metode statistik yang sudah usang, perubahan struktural dalam struktur ekonomi AS setelah epidemi, dan meningkatnya masuknya imigran ilegal.

1. Metode statistik yang sudah ketinggalan zaman

Seperti dijelaskan di bawah, model operasi ekonomi AS mungkin telah mengalami perubahan struktural, tetapi penyesuaian musiman dan penyesuaian B/D data CES sangat bergantung pada pola data historis, yang dapat menyebabkan penyimpangan besar, di antaranya penyesuaian B/D yang paling banyak dikritik.

Menurut data, dari semua pekerjaan nonpertanian baru pada bulan Mei, 231.000 berasal dari model B/D, yang merupakan perkiraan berdasarkan pendirian bisnis baru. Pekerjaan ini sebenarnya tidak dihitung sebagai pekerjaan yang telah dihasilkan, tetapi diasumsikan ada dan langsung dimasukkan dalam data. Sejak April 2023, model B/D telah menambahkan 1,9 juta pekerjaan, yang mencakup 56% dari semua pekerjaan baru dalam periode yang sama. Ini berarti bahwa lebih dari separuh pertumbuhan pekerjaan pada tahun lalu berasal dari penyesuaian, yang menyebabkan sebagian besar pandangan pasar menunjuk langsung ke model B/D sebagai penyebab data nonpertanian yang keterlaluan pada 24 Mei, seperti yang ditunjukkan pada gambar di bawah ini. Dalam beberapa tahun terakhir, perbedaan persentase antara hasil CES dan CPS telah menjadi semakin besar, yang juga dianggap sebagai bukti kuat bahwa metode pengambilan sampel CES dan metode penyesuaian statistik sangat tidak efektif.

2. Struktur ekonomi AS mengalami perubahan struktural pasca epidemi

Sebelum dan sesudah insiden kesehatan masyarakat COVID-19, kita dapat mengamati peningkatan tajam dalam proporsi pekerjaan informal dan penurunan cepat dalam kemauan kaum muda untuk bekerja, dan fenomena ini terus berlanjut hingga hari ini. Saat ini, tidak ada penjelasan yang sangat kuat untuk fenomena ini. Beberapa orang percaya bahwa peningkatan proporsi pekerjaan informal dan penurunan kemauan kerja mungkin disebabkan oleh gejala sisa jangka panjang (LC) dari mahkota baru, yang mengurangi kapasitas tenaga kerja secara keseluruhan di tingkat seluruh populasi, tetapi belum ada kesimpulan. Bagaimanapun, sudah pasti bahwa peningkatan proporsi pekerjaan paruh waktu akan sangat meningkatkan kesulitan statistik ketenagakerjaan non-pertanian. Karena data non-pertanian dilakukan dalam metode survei pengambilan sampel, orang yang sama yang bekerja di beberapa pekerjaan paruh waktu pada saat yang sama pasti akan menyebabkan perkiraan statistik ketenagakerjaan yang berlebihan dibandingkan dengan situasi sebenarnya, dan menghilangkan kebisingan ini akan menyebabkan peningkatan biaya survei yang tidak proporsional. Pada saat yang sama, sejumlah besar penduduk usia kerja menarik diri dari angkatan kerja (penyebut tingkat pengangguran), yang juga akan menyebabkan distorsi statistik dalam tingkat pengangguran dan peningkatan lapangan kerja.

3. Kontrol perbatasan tidak efektif dan masuknya imigran ilegal semakin cepat

Hal ini berkaitan erat dengan perubahan struktur ekonomi yang disebutkan di atas, karena imigran ilegal tanpa status legal cenderung lebih banyak terlibat dalam pekerjaan informal. Pada saat yang sama, mempekerjakan imigran ilegal juga akan menyebabkan potensi bias pengambilan sampel.

Data penggajian nonpertanian BLS didasarkan pada survei sampel CES, dan jika sampel tersebut tidak cukup mewakili ketenagakerjaan imigran ilegal, hasil survei dapat menyimpang dari situasi sebenarnya. Misalnya, jika sampel survei CES (unit sampel adalah pemberi kerja) mencakup lebih banyak perusahaan besar yang cenderung mempekerjakan pekerja legal dan mengabaikan perusahaan kecil atau bawah tanah tempat imigran ilegal lebih mungkin bekerja, maka data ketenagakerjaan kemungkinan akan ditaksir terlalu tinggi.

Konten artikel ini hanya untuk berbagi informasi, dan tidak mempromosikan atau mendukung perilaku bisnis atau investasi apa pun. Pembaca diminta untuk mematuhi hukum dan peraturan di wilayah mereka dan tidak berpartisipasi dalam perilaku keuangan ilegal apa pun. Artikel ini tidak menyediakan entri transaksi, panduan, panduan saluran distribusi, dll. untuk penerbitan, perdagangan, dan pembiayaan mata uang virtual atau koleksi digital apa pun.

4 Konten Alpha Research tidak boleh direproduksi atau disalin tanpa izin. Pelanggar akan dimintai pertanggungjawaban hukum.

Artikel ini bersumber dari internet: 4Alpha Research: Apakah ada perkiraan berlebihan yang sistematis terhadap data ketenagakerjaan AS?

Terkait: Menguraikan filosofi pengembangan INTO dari masa ke masa

Berdiri di garis depan Web3, setiap proyek menghadapi pertanyaan hidup atau mati: bagaimana menemukan tempatnya di dunia yang terus berubah ini dan berdiri kokoh untuk waktu yang lama? Sebagian mengatakan bahwa kuncinya terletak pada kemajuan teknologi; yang lain mengatakan bahwa kuncinya terletak pada keakuratan pemasaran. Namun, jika kita mengubah perspektif kita dan melihatnya dari dimensi waktu, kita mungkin mendapatkan jawaban yang berbeda. Inilah wahyu yang diberikan INTO kepada kita. Pelopor di bidang sosial Web3 ini menafsirkan makna sebenarnya dari pengembangan dengan cara yang khusus – yaitu, melihat masalah dari perspektif pengembangan, melihat masa lalu, masa kini, dan masa depan. Visi lintas waktu ini adalah keunggulan unik INTO dan rahasianya…