Versão em português da vignette principal. Para a versão em inglês e canônica, veja
vignette("introduction", "educabr2").
Sobre o pacote
O educabr2 disponibiliza, sob um único esquema tidy canônico, o conjunto mais extenso de séries históricas harmonizadas sobre educação brasileira disponível em formato analítico:
- Matrículas no ensino superior — 1907 a 2024, 118 anos de cobertura, articulando seis fontes distintas (IBGE Estatísticas do Século XX, Maduro Junior, Kang, INEP Sinopse, INEP Microdados e o painel CENSUP do INEP).
- Matrículas no ensino fundamental e médio — 1933 a 2010, com desagregação por cor/raça a partir de 1960 (Kang, Paese & Felix 2021).
- Anos médios de escolaridade da população adulta — 1925 a 2015, com desagregação por sexo, cor/raça, macrorregião e unidade da federação (Walter & Kang 2024).
- Despesa pública em educação — 1933 a 2010, em % do PIB por estágio, por estudante em % do PIB per capita, e os indicadores de razão dupla de regressividade fiscal (Kang & Menetrier 2024).
- Razão de progressão escolar (GDR6) — 1955 a 2010, BR + 20 UFs, proxy da retenção nos primeiros anos do antigo primário (Kang, Paese & Felix 2021).
- Atingimento educacional internacional — 1870 a 2010, 111 países, proporções da população de 15-64 anos que completou os níveis primário, secundário e terciário, com desagregação por sexo (Lee & Lee 2016) — a trajetória brasileira lida contra o registro mundial sem sair do pacote.
Toda a transformação dos dados é auditável: cada linha do
output carrega o source (chave canônica em
inst/dict/vocabularies/sources.yaml) e um
source_note com a referência exata da tabela ou capítulo de
origem.
API em cinco funções
A interface pública é deliberadamente enxuta — uma função por tema, todas devolvendo tibbles no mesmo esquema canônico:
# Esquema dos cinco principais resultados
str(get_enrollment(level = "fundamental", year = 1950))
#> tibble [2 × 16] (S3: tbl_df/tbl/data.frame)
#> $ year : int [1:2] 1950 1950
#> $ geo_level : chr [1:2] "BR" "BR"
#> $ geo_code : chr [1:2] "BR" "BR"
#> $ geo_name : chr [1:2] "Brasil" "Brasil"
#> $ level : chr [1:2] "fundamental" "fundamental"
#> $ network : chr [1:2] "total" "total"
#> $ institution_type: chr [1:2] "total" "total"
#> $ modality : chr [1:2] "total" "total"
#> $ dim_race : chr [1:2] "total" "total"
#> $ age_group : chr [1:2] "7-14" NA
#> $ indicator : chr [1:2] "enrollment_rate" "enrollment_count"
#> $ value : num [1:2] 4.55e+01 4.73e+06
#> $ unit : chr [1:2] "percent" "count"
#> $ source : chr [1:2] "kang_paese_felix_2021" "kang_paese_felix_2021"
#> $ source_note : chr [1:2] "Kang, Paese & Felix (2021). RHE 39(2):191-218. doi:10.1017/S0212610921000112" "Kang, Paese & Felix (2021). RHE 39(2):191-218. doi:10.1017/S0212610921000112"
#> $ is_derived : logi [1:2] FALSE FALSE
#> - attr(*, "educabr_meta")=List of 4
#> ..$ build_script : chr "data-raw/01_build_enrollment_kang_fgv.R"
#> ..$ built_at : POSIXct[1:1], format: "2026-09-24 13:26:38"
#> ..$ primary_sources: chr [1:4] "kang_menetrier_comim_2024" "kang_paese_felix_2021" "kang_paese_felix_2021" "kang_menetrier_2024"
#> ..$ raw_files : chr [1:4] "data-raw/sources/kang_fgv_ibre_2023/1._matricula_primario_1871_2010_v_abril2023.xlsx" "data-raw/sources/kang_fgv_ibre_2023/2._matriculas_txmatriculas_porcor_1960_2010_v_abril2023.xlsx" "data-raw/sources/kang_fgv_ibre_2023/4._matricula_txmatriculas_1933_2010_v_abril2023.xlsx" "data-raw/sources/kang_fgv_ibre_2023/6._matricula_txmatriculas_estado_1955_2010_v_abril2023.xlsx"
str(get_schooling(year = 1950))
#> tibble [1 × 12] (S3: tbl_df/tbl/data.frame)
#> $ year : int 1950
#> $ geo_level : chr "BR"
#> $ geo_code : chr "BR"
#> $ geo_name : chr "Brasil"
#> $ dim_race : chr "total"
#> $ dim_sex : chr "total"
#> $ age_group : chr NA
#> $ indicator : chr "mean_years_schooling"
#> $ value : num 1.59
#> $ unit : chr "years"
#> $ source : chr "walter_kang_2023"
#> $ source_note: chr "Walter, J., & Kang, T. H. (2024). A new dataset of average years of schooling in Brazil, 1925-2015. Economic Hi"| __truncated__
#> - attr(*, "educabr_meta")=List of 5
#> ..$ build_script : chr "data-raw/02_build_schooling_kang_fgv.R"
#> ..$ built_at : POSIXct[1:1], format: "2026-07-10 01:00:11"
#> ..$ primary_source: chr "walter_kang_2023"
#> ..$ citation : chr "Walter, J., & Kang, T. H. (2024). A new dataset of average years of schooling in Brazil, 1925-2015. Economic Hi"| __truncated__
#> ..$ raw_files : chr "data-raw/sources/kang_fgv_ibre_2023/3._anos_estudo_1925_2015_v_abril2023.xlsx"
str(get_expenditure(level = "total", indicator = "share_gdp", year = 1950))
#> tibble [1 × 13] (S3: tbl_df/tbl/data.frame)
#> $ year : int 1950
#> $ geo_level : chr "BR"
#> $ geo_code : chr "BR"
#> $ geo_name : chr "Brasil"
#> $ level : chr "total"
#> $ network : chr "publica"
#> $ dim_race : chr "total"
#> $ age_group : chr NA
#> $ indicator : chr "expenditure_share_gdp"
#> $ value : num 1.53
#> $ unit : chr "percent_gdp"
#> $ source : chr "kang_menetrier_2024"
#> $ source_note: chr "Kang & Menetrier (2024). Estudos Econômicos 54(3). doi:10.1590/1980-53575434tkim"
#> - attr(*, "educabr_meta")=List of 5
#> ..$ build_script : chr "data-raw/04_build_expenditure_kang_fgv.R"
#> ..$ built_at : POSIXct[1:1], format: "2026-05-19 02:42:48"
#> ..$ primary_source: chr "kang_menetrier_2024"
#> ..$ citation : chr "Kang & Menetrier (2024). Estudos Econômicos 54(3). doi:10.1590/1980-53575434tkim"
#> ..$ raw_files : chr "data-raw/sources/kang_fgv_ibre_2023/5._despesa_pub_educ_1933_2010_v_abril2023.xlsx"
str(get_progression(year = 1980))
#> tibble [1 × 13] (S3: tbl_df/tbl/data.frame)
#> $ year : int 1980
#> $ geo_level : chr "BR"
#> $ geo_code : chr "BR"
#> $ geo_name : chr "Brasil"
#> $ level : chr "fundamental_anos_iniciais"
#> $ network : chr "total"
#> $ dim_race : chr "total"
#> $ age_group : chr NA
#> $ indicator : chr "gross_distribution_ratio_grade_6"
#> $ value : num 0.461
#> $ unit : chr "ratio"
#> $ source : chr "kang_paese_felix_2021"
#> $ source_note: chr "Kang, Paese & Felix (2021). RHE 39(2):191-218. doi:10.1017/S0212610921000112"
#> - attr(*, "educabr_meta")=List of 5
#> ..$ build_script : chr "data-raw/05_build_progression_kang_fgv.R"
#> ..$ built_at : POSIXct[1:1], format: "2026-05-19 02:43:16"
#> ..$ primary_source: chr "kang_paese_felix_2021"
#> ..$ citation : chr "Kang, Paese & Felix (2021). RHE 39(2):191-218. doi:10.1017/S0212610921000112"
#> ..$ raw_files : chr "data-raw/sources/kang_fgv_ibre_2023/7._gdr6_1955_2010_v_abril2023.xlsx"
str(get_attainment(geo = "BRA", year = 1950))
#> tibble [3 × 12] (S3: tbl_df/tbl/data.frame)
#> $ year : int [1:3] 1950 1950 1950
#> $ geo_level : chr [1:3] "country" "country" "country"
#> $ geo_code : chr [1:3] "BRA" "BRA" "BRA"
#> $ geo_name : chr [1:3] "Brazil" "Brazil" "Brazil"
#> ..- attr(*, "label")= chr "Country name"
#> ..- attr(*, "format.stata")= chr "%20s"
#> $ level : chr [1:3] "primary" "secondary" "tertiary"
#> $ dim_sex : chr [1:3] "total" "total" "total"
#> $ age_group : chr [1:3] "15-64" "15-64" "15-64"
#> $ indicator : chr [1:3] "attainment_share_completed" "attainment_share_completed" "attainment_share_completed"
#> $ value : num [1:3] 19.979 3.826 0.519
#> $ unit : chr [1:3] "percent" "percent" "percent"
#> $ source : chr [1:3] "lee_lee_2016" "lee_lee_2016" "lee_lee_2016"
#> $ source_note: chr [1:3] "Lee, J.-W., & Lee, H. (2016). Human capital in the long run. Journal of Development Economics, 122, 147-169. do"| __truncated__ "Lee, J.-W., & Lee, H. (2016). Human capital in the long run. Journal of Development Economics, 122, 147-169. do"| __truncated__ "Lee, J.-W., & Lee, H. (2016). Human capital in the long run. Journal of Development Economics, 122, 147-169. do"| __truncated__
#> - attr(*, "educabr_meta")=List of 5
#> ..$ build_script : chr "data-raw/06_build_lee_lee_2016.R"
#> ..$ built_at : POSIXct[1:1], format: "2026-09-24 12:45:40"
#> ..$ primary_source: chr "lee_lee_2016"
#> ..$ citation : chr "Lee, J.-W., & Lee, H. (2016). Human capital in the long run. Journal of Development Economics, 122, 147-169. do"| __truncated__
#> ..$ raw_files : chr "https://barrolee.github.io/BarroLeeDataSet/LeeLee/LeeLee_v1.dta"Todas retornam tibbles longas seguindo o mesmo esquema
canônico (inst/dict/schema.yaml), com colunas para a
unidade geográfica, a dimensão de desigualdade (raça, sexo, etc.), a
fonte e o valor. Os filtros compartilhados (year,
geo_level, geo, source,
wide, lang) funcionam de forma idêntica nas
cinco funções. Como o conjunto de colunas é o mesmo, resultados de temas
diferentes podem ser empilhados diretamente com
rbind()/bind_rows().
Note que o argumento dimension é deliberadamente
assimétrico: get_schooling() oferece raça e sexo;
get_enrollment() apenas raça; get_attainment()
apenas sexo; get_expenditure() e
get_progression() nenhum. As assimetrias reproduzem os
limites físicos das fontes históricas, não limitações do pacote.
Caso 1 — taxa bruta de matrícula por raça/cor
Aqui usamos a desagregação dimension = "race" para
comparar a trajetória de matrícula no ensino fundamental entre os cinco
grupos de cor/raça do IBGE entre 1960 e 2010.
ef_raca <- get_enrollment(
level = "fundamental",
indicator = "rate",
geo_level = "BR",
dimension = "race",
year = c(1960, 2010)
)
head(ef_raca)
#> # A tibble: 6 × 16
#> year geo_level geo_code geo_name level network institution_type modality
#> <int> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
#> 1 1960 BR BR Brasil fundament… total total total
#> 2 1961 BR BR Brasil fundament… total total total
#> 3 1962 BR BR Brasil fundament… total total total
#> 4 1963 BR BR Brasil fundament… total total total
#> 5 1964 BR BR Brasil fundament… total total total
#> 6 1965 BR BR Brasil fundament… total total total
#> # ℹ 8 more variables: dim_race <chr>, age_group <chr>, indicator <chr>,
#> # value <dbl>, unit <chr>, source <chr>, source_note <chr>, is_derived <lgl>A diferença entre as três principais categorias (white,
black, brown) acompanha uma das narrativas
centrais da literatura sociológica sobre educação no Brasil —
convergência relativa nas matrículas obrigatórias acompanhada de
persistente desigualdade em níveis mais altos.
Caso 2 — comparação multi-fonte no ensino superior
O ensino superior brasileiro foi reconstituído por diversos
autores com metodologias ligeiramente diferentes, sobretudo
para o longo período 1933-2000 em que as fontes oficiais são esparsas. O
educabr2 mantém todas as estimativas
concorrentes lado a lado, permitindo comparação direta:
es_1980 <- get_enrollment(
level = "superior",
year = 1980,
network = "total",
modality = "total",
indicator = "count"
)
es_1980[, c("source", "value", "source_note")]
#> # A tibble: 2 × 3
#> source value source_note
#> <chr> <dbl> <chr>
#> 1 kang_paese_felix_2021 1377286 Kang, Paese & Felix (2021). RHE 39(2):191-218. …
#> 2 maduro_junior_2007 1377286 Maduro Junior (2007). Taxas de matrícula e gast…Note que para 1980 várias fontes convergem para o mesmo valor (~1,38
milhão), o que sugere uma estimativa estabilizada na literatura. Para
outros anos as estimativas divergem — passar source = "..."
no get_enrollment() é o caminho recomendado para fixar uma
série única em análises secundárias.
Quando o que se quer é uma série única contínua (e não o painel lado a lado), a hierarquia de deduplicação documentada do pacote dá a ordem de precedência recomendada para anos sobrepostos: microdados do CENSUP/INEP (2009-2024) → sinopses estatísticas do INEP (1995-2008) → Kang, Paese & Felix (1990-1994) → Maduro Junior → IBGE Estatísticas do Século XX. A fonte mais desagregada e oficial disponível sempre prevalece.
Caso 3 — o problema dos totais reconstruídos (2000-2008)
Entre 2000 e 2008 o INEP começou a coletar matrículas em EAD
(educação a distância) em uma tabela específica do CENSUP
(tabela7.x), porém não as somou ao total
das matrículas presenciais publicadas na tabela5.x. Isso
significa que séries “totais” desse intervalo publicadas por Kang,
Maduro Junior e pela própria sinopse do INEP estão
sistematicamente subestimadas — em até 700 mil
matrículas em 2008, segundo nosso cálculo.
A partir de 2009, os microdados do CENSUP já agregam presencial e EAD no mesmo cadastro, e o problema se resolve.
Para esse intervalo de transição, o educabr2
disponibiliza totais reconstruídos (reconstructed
enrollment totals) que somam o componente presencial de cada fonte
ao EAD publicado pelo INEP. Essas linhas têm
is_derived = TRUE e ficam fora do resultado padrão de
get_enrollment(); para inspecioná-las basta passar
include_derived = TRUE:
recon <- get_enrollment(
level = "superior",
year = c(2000, 2008),
network = "total",
modality = "total",
indicator = "count",
include_derived = TRUE
)
recon[recon$is_derived, c("year", "source", "value")]
#> # A tibble: 20 × 3
#> year source value
#> <int> <chr> <dbl>
#> 1 2000 inep_sinopse_censup+inep_sinopse_censup 2695927
#> 2 2000 kang_paese_felix_2021+inep_sinopse_censup 2695927
#> 3 2000 maduro_junior_2007+inep_sinopse_censup 2695927
#> 4 2001 inep_sinopse_censup+inep_sinopse_censup 3036113
#> 5 2001 kang_paese_felix_2021+inep_sinopse_censup 3036113
#> 6 2001 maduro_junior_2007+inep_sinopse_censup 3036113
#> 7 2003 inep_sinopse_censup+inep_sinopse_censup 3936933
#> 8 2003 kang_paese_felix_2021+inep_sinopse_censup 3871734
#> 9 2003 maduro_junior_2007+inep_sinopse_censup 3871734
#> 10 2004 inep_sinopse_censup+inep_sinopse_censup 4223344
#> 11 2004 kang_paese_felix_2021+inep_sinopse_censup 4223344
#> 12 2004 maduro_junior_2007+inep_sinopse_censup 4223344
#> 13 2005 inep_sinopse_censup+inep_sinopse_censup 4567798
#> 14 2005 kang_paese_felix_2021+inep_sinopse_censup 4567798
#> 15 2006 inep_sinopse_censup+inep_sinopse_censup 4883852
#> 16 2006 kang_paese_felix_2021+inep_sinopse_censup 4883852
#> 17 2007 inep_sinopse_censup+inep_sinopse_censup 5250147
#> 18 2007 kang_paese_felix_2021+inep_sinopse_censup 5250147
#> 19 2008 inep_sinopse_censup+inep_sinopse_censup 5808017
#> 20 2008 kang_paese_felix_2021+inep_sinopse_censup 5808017O nome composto do source (ex.:
kang_paese_felix_2021+inep_sinopse_censup) explicita que se
trata de uma combinação: o componente presencial vem da
primeira fonte e o componente EAD vem da segunda. O
source_note registra a composição exata para fins de
citação.
Convenção de citação sugerida: “Total reconstruído computado a partir de {fonte_presencial} (presencial) e INEP Sinopse CENSUP (EAD), conforme metodologia documentada em
educabr2(Mançano 2026).”
Caso 4 — anos médios de escolaridade por sexo
escolaridade_sexo <- get_schooling(
geo_level = "BR",
dimension = "sex"
)
tail(escolaridade_sexo)
#> # A tibble: 6 × 12
#> year geo_level geo_code geo_name dim_race dim_sex age_group indicator value
#> <int> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <dbl>
#> 1 2010 BR BR Brasil total male NA mean_years… 8.03
#> 2 2011 BR BR Brasil total male NA mean_years… 8.2
#> 3 2012 BR BR Brasil total male NA mean_years… 8.39
#> 4 2013 BR BR Brasil total male NA mean_years… 8.49
#> 5 2014 BR BR Brasil total male NA mean_years… 8.63
#> 6 2015 BR BR Brasil total male NA mean_years… 8.72
#> # ℹ 3 more variables: unit <chr>, source <chr>, source_note <chr>A série mostra a inversão histórica do gender gap: em 1925 os homens tinham em média mais anos de estudo que as mulheres; ao longo do século XX a vantagem inverte e em 2015 mulheres ultrapassam homens em escolaridade média.
Caso 5 — regressividade fiscal na despesa educacional
Kang & Menetrier (2024) operacionalizam uma tese clássica da economia política da educação brasileira — que o Estado gasta desproporcionalmente mais por aluno no ensino superior do que no ensino primário — por meio do indicador de razão dupla: a despesa pública por estudante no Ensino Superior dividida pela despesa por estudante no EF1 (anos iniciais).
razao <- get_expenditure(indicator = "double_ratio_es_ef1")
razao[razao$year %in% c(1933, 1960, 1980, 2000, 2010),
c("year", "value")]
#> # A tibble: 5 × 2
#> year value
#> <int> <dbl>
#> 1 1933 66.0
#> 2 1960 86.6
#> 3 1980 15.9
#> 4 2000 16.8
#> 5 2010 8.36Em 1933 o Estado gastava cerca de 66 vezes mais por aluno do ES do que por aluno dos primeiros anos do primário. Em 2010 essa razão havia caído para menos de 9. A série deixa explícito que a expansão fiscal da educação básica ao longo da segunda metade do século XX reduziu significativamente a regressividade — embora não a tenha eliminado.
Caso 6 — retenção no início do primário (GDR6)
O GDR6 (Gross Distribution Ratio da 6ª série) — definido como a razão entre as matrículas em séries 4–6 e as matrículas em séries 1–3 do antigo primário de oito anos — é um indicador de fluxo que mede quantas crianças avançam para além dos primeiros anos do primário. Valores mais altos indicam menos evasão e menos repetência nos anos iniciais.
gdr_estados <- get_progression(
geo_level = "UF",
geo = c("SP", "BA"),
year = c(1955, 2010)
)
gdr_estados[gdr_estados$year %in% c(1960, 1980, 2000, 2010),
c("year", "geo_code", "value")]
#> # A tibble: 8 × 3
#> year geo_code value
#> <int> <chr> <dbl>
#> 1 1960 BA 0.187
#> 2 1980 BA 0.276
#> 3 2000 BA 0.649
#> 4 2010 BA 0.848
#> 5 1960 SP 0.273
#> 6 1980 SP 0.665
#> 7 2000 SP 1.09
#> 8 2010 SP 0.952O fosso persistente entre SP e BA é uma das ilustrações canônicas da desigualdade regional na literatura histórica: em 1960 a diferença já é ampla, e só se estreita de forma substantiva depois das reformas dos anos 1990.
Cobertura UF — atenção. A compilação de Kang, Paese & Felix cobre 20 unidades da federação (
AL,AM,BA,CE,ES,GO,MA,MG,MT,PA,PB,PE,PI,PR,RJ,RN,RS,SC,SE,SP). Os estados mais novos ou de origem territorial (AC, AP, DF, MS, RO, RR, TO) não constam da fonte. A série nacional brasileira tem buracos documentados em 1988-1990 e 1994, em razão das transições oficiais da estrutura de séries.
Caso 7 — o Brasil em perspectiva internacional
O painel de Lee & Lee (2016) permite ler a expansão brasileira contra comparadores sem sair do pacote:
att <- get_attainment(
level = "tertiary",
geo = c("BRA", "ARG", "KOR", "USA"),
year = c(1950, 2010)
)
att[att$year %in% c(1950, 1980, 2010),
c("year", "geo_code", "value")]
#> # A tibble: 12 × 3
#> year geo_code value
#> <int> <chr> <dbl>
#> 1 1950 ARG 0.737
#> 2 1980 ARG 3.71
#> 3 2010 ARG 2.31
#> 4 1950 BRA 0.519
#> 5 1980 BRA 2.90
#> 6 2010 BRA 6.59
#> 7 1950 KOR 0.748
#> 8 1980 KOR 4.89
#> 9 2010 KOR 33.6
#> 10 1950 USA 7.16
#> 11 1980 USA 17.9
#> 12 2010 USA 27.5O sistema de visualização embutido
O pacote acompanha um conjunto de componentes de plotting desenhado segundo os princípios de Data Visualization de Kieran Healy, para que uma consulta vire figura pronta para publicação em três linhas:
-
theme_educabr()— tema serifado minimalista; complot_titles = FALSEremove títulos internos para manuscritos LaTeX/Quarto (onde legenda e nota vivem no documento). Se houver TinyTeX local (e os pacotesshowtext/sysfonts), a fonte LaTeX Latin Modern Roman é registrada automaticamente. -
scale_colour_educabr()/scale_fill_educabr()— paleta Okabe-Ito, segura para daltonismo. -
scale_x_year_educabr(anos)— eixo de anos para séries seculares: o espaçamento dos rótulos segue o span dos dados e o primeiro e o último ano presentes são sempre rotulados.
library(ggplot2)
df <- get_schooling(geo_level = "BR", dimension = "sex")
ggplot(df, aes(year, value, colour = dim_sex)) +
geom_line(linewidth = 0.9) +
scale_colour_educabr(name = NULL) +
scale_x_year_educabr(df$year) +
theme_educabr() +
labs(x = NULL, y = "Anos médios de estudo",
title = "A inversão do gender gap educacional no século XX")
Painel interativo
O pacote acompanha um painel Shiny com uma aba Overview curada (quatro gráficos-história para público não técnico) e seis abas temáticas — uma por tema (Enrollment, Tertiary Education, Educational Attainment, Public Expenditure, Grade Progression, International Comparison):
educabr2::run_dashboard()O painel reproduz toda a comparação multi-fonte do ensino superior e
as séries de despesa, progressão e comparação internacional de forma
interativa, com um botão “View R code” em cada aba que gera o código
educabr2 + ggplot2 para reproduzir a
visualização no seu ambiente R local — já estilizado com o sistema de
visualização do próprio pacote — uma ponte direta entre exploração no
painel e análise reprodutível em script.
Fontes e citação
A lista completa de fontes com DOIs e links está na vignette
principal em inglês (vignette("introduction", "educabr2")).
A função educabr_cite() transforma qualquer chave de fonte
(ou a coluna source de um resultado) em referência pronta
para colar:
educabr_cite("kang_paese_felix_2021", style = "text")
#> [1] "(2021). \"Kang, T. H., Paese, L. H. Z., & Felix, N. F. A. (2021). Late\nand unequal: Enrolments and retention in Brazilian education,\n1933-2010. Revista de Historia Económica / Journal of Iberian and Latin\nAmerican Economic History, 39(2), 191–218.\"\ndoi:10.1017/S0212610921000112\n<https://doi.org/10.1017/S0212610921000112>.\n<https://doi.org/10.1017/S0212610921000112>."Cite tanto o pacote (pela harmonização) quanto as compilações originais (pelo trabalho de arquivo que produziu os números). Para citar o pacote em si:
Mançano, T. (2026). educabr2: Harmonized Historical Series on Brazilian Education (versão 0.1.2). https://github.com/mancano-tales/educabr2