README.md
In JavierMtzRdz/presupuestoR: Paquete para análisis del presupuesto federal de México

presupuestoR

Español Este paquete proporciona una colección de funciones para el análisis presupuestario utilizando datos abiertos de Transparencia Presupuestaria.

English This package provides a collection of functions for budget analysis using open data from Transparency platform in Mexico.

La versión en desarrollo puede ser instalada de GitHub con:

remotes::install_github("JavierMtzRdz/presupuestoR")
# Or
devtools::install_github("JavierMtzRdz/presupuestoR")

deflate_tp(): Desinfla los montos monetarios descargando los últimos deflactores publicados por la plataforma de Transparencia Presupuestaria.
id_capitulo_to_desc_capitulo(): Convierte la clave del capítulo en la descripción del capítulo.
id_concepto_to_desc_concepto(): Convierte la clave del concepto en la descripción del concepto.
id_part_gen_to_desc_part_gen(): Convierte la clave del ítem genérico en la descripción del ítem genérico.
id_part_esp_to_desc_part_esp(): Convierte la clave del ítem específico en la descripción del ítem específico.
variacion_to_index(): Genera un índice basado en cambios durante un período.
indexing(): Indiza una serie utilizando observaciones específicas como puntos de referencia.
entidad_to_abr2(): Abrevia el nombre de una entidad mexicana. Está basada en LorenzoLeon/mexicoR.
cve_to_ent(): Convierte las claves del INEGI correspondientes a cada entidad mexicana en nombres.
conect_value(): Repite el último número de una serie de categorías utilizando la fecha siguiente.
sum_pef_tp(): Esta función agrupa datos presupuestarios según variables especificadas, como clasificación administrativa, clasificación funcional o clasificación económica.
bind_pef_tp(): Aplica la función sum_pef_tp a una lista de marcos de datos presupuestarios, lo que te permite generar resúmenes a través de múltiples conjuntos de datos.
bind_pef_tp_wide(): Similar a bind_pef_tp, pero organiza la salida en formato ancho.
netear_tp(): Esta función clasifica las categorías presupuestarias que deben ser neteadas al realizar un análisis presupuestario neto.
negative_neteo_tp(): Convierte las categorías presupuestarias con “Neteo” como descripción en valores negativos, típicamente utilizado después de netear_tp.
id_ramo_to_tipo_ramo(): Convierte la clave del ramo en la clasificación administrativa del ramo.
id_ramo_to_desc_ramo(): Convierte la clave del ramo en la descripción del ramo.
id_ramo_to_abr_ramo(): Convierte la clave del ramo en la abreviatura del ramo.
desc_ramo_to_abr_ramo(): Convierte la descripción del ramo en la abreviatura del ramo.
gen_tipo_programable(): Genera una columna que indica si el gasto es programable o no programable.
gen_clas_eco(): Genera la columna de clasificación económica en los datos presupuestarios. La clasificación económica fue realizada por Katia Guzman.
gen_subclas_eco(): Genera la columna de subclasificación económica en los datos presupuestarios.

You can install the development version of presupuestoR from GitHub with:

remotes::install_github("JavierMtzRdz/presupuestoR")
# Or
devtools::install_github("JavierMtzRdz/presupuestoR")

deflate_tp(): Deflates monetary amounts by downloading the latest deflators published by the Budget Transparency platform.
id_capitulo_to_desc_capitulo(): Converts chapter ID to chapter description.
id_concepto_to_desc_concepto(): Converts concept ID to concept description.
id_part_gen_to_desc_part_gen(): Converts generic item ID to generic item description.
id_part_esp_to_desc_part_esp(): Converts specific item ID to specific item description.
variacion_to_index(): Generates an index based on changes over a period.
indexing(): Indexes a series using specified observations as reference points.
entidad_to_abr2(): Abbreviates the name of a Mexican entity. It is based on LorenzoLeon/mexicoR.
cve_to_ent(): Converts INEGI codes corresponding to each Mexican entity into names.
conect_value(): Repeat the last number of a series category using the following date.
sum_pef_tp(): This function aggregates budget data based on specified variables, such as administrative classification, functional classification, or economic classification.
bind_pef_tp(): It applies the sum_pef_tp function to a list of budget data frames, allowing you to generate summaries across multiple datasets.
bind_pef_tp_wide(): Similar to bind_pef_tp, but it arranges the output in wide format.
netear_tp(): This function classifies budget categories that need to be netted when performing a net budget analysis.
negative_neteo_tp(): Converts budget categories with “Neteo” as the description to negative values, typically used after netear_tp.
id_ramo_to_tipo_ramo(): Converts the ramo ID to the administrative classification of the ramo.
id_ramo_to_desc_ramo(): Converts the ramo ID to the description of the ramo.
id_ramo_to_abr_ramo(): Converts the ramo ID to the abbreviation of the ramo.
desc_ramo_to_abr_ramo(): Converts the ramo description to the abbreviation of the ramo.
gen_tipo_programable(): Generates a column indicating whether the expenditure is programmable or non-programmable.
gen_clas_eco(): Generates the economic classification column in the budget data. The economic classification was made by Katia Guzman.
gen_subclas_eco(): Generates the sub-economic classification column in the budget data.

`sum_pef_tp()` and `id_ramo_to_abr_ramo()`

This simple code estimates the approved budget for each ministry in 2022 and assign its abbreviation.

budget_ministery <- budget_2022 %>% 
  sum_pef_tp(id_ramo,
             keep_mensual = F) %>% 
  mutate(abr_ramo = id_ramo_to_abr_ramo(id_ramo),
         aprobado = aprobado/1000000) %>% 
  select(abr_ramo, aprobado)

budget_ministery
#> # A tibble: 48 × 2
#>    abr_ramo        aprobado
#>    <chr>              <dbl>
#>  1 P. Legislativo    15013.
#>  2 SE                 3587.
#>  3 SEP              364600.
#>  4 SSA              193948.
#>  5 Semar             37750.
#>  6 STPS              25384.
#>  7 Sedatu            12868.
#>  8 Semarnat          40796.
#>  9 Sener             47058.
#> 10 Aport. a la SS. 1092012.
#> # ℹ 38 more rows

`deflactar_tp()`

This code estimates the value of the approved budget in 2022 with 2010 prices in a few lines of code.

budget_ministery %>% 
  mutate(aprobado_2010_prices = 
           deflactar_tp(aprobado, 
                        2022,
                        2010))
#> # A tibble: 48 × 3
#>    abr_ramo        aprobado aprobado_2010_prices
#>    <chr>              <dbl>                <dbl>
#>  1 P. Legislativo    15013.                8560.
#>  2 SE                 3587.                2045.
#>  3 SEP              364600.              207902.
#>  4 SSA              193948.              110593.
#>  5 Semar             37750.               21526.
#>  6 STPS              25384.               14475.
#>  7 Sedatu            12868.                7338.
#>  8 Semarnat          40796.               23263.
#>  9 Sener             47058.               26833.
#> 10 Aport. a la SS. 1092012.              622685.
#> # ℹ 38 more rows

`netear_tp()` and `negative_neteo_tp()`

Here, the total net State spending for 2022 is estimated in three lines of code.

budget_2022 %>% 
  netear_tp() %>% 
  negative_neteo_tp() %>% 
  sum_pef_tp() %>% 
  transmute(comma(aprobado))
#> # A tibble: 1 × 1
#>   `comma(aprobado)`
#>   <chr>            
#> 1 7,088,250,300,000

`indexing()`

In this example, the GDP per capita for Oceania countries is indexed to the year 1952.

# Load the gapminder library
library(gapminder)

# Select Oceania countries from the gapminder dataset
oc_gapminder <- gapminder %>% 
  filter(continent == "Oceania") 

# Display the first few rows of the Oceania dataset
oc_gapminder %>% 
  arrange(year) %>% 
  head()
#> # A tibble: 6 × 6
#>   country     continent  year lifeExp      pop gdpPercap
#>   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
#> 1 Australia   Oceania    1952    69.1  8691212    10040.
#> 2 New Zealand Oceania    1952    69.4  1994794    10557.
#> 3 Australia   Oceania    1957    70.3  9712569    10950.
#> 4 New Zealand Oceania    1957    70.3  2229407    12247.
#> 5 Australia   Oceania    1962    70.9 10794968    12217.
#> 6 New Zealand Oceania    1962    71.2  2488550    13176.

# Create a country-wise index based on GDP per capita for the year 1952
idx_gap <- oc_gapminder %>% 
  group_by(country) %>% 
  indexing(gdpPercap,
           year == 1952) 

# Display the first few rows of the indexed dataset
idx_gap %>% 
  arrange(year) %>% 
  head()
#> # A tibble: 6 × 7
#> # Groups:   country [2]
#>   country     continent  year lifeExp      pop gdpPercap index
#>   <fct>       <fct>     <int>   <dbl>    <int>     <dbl> <dbl>
#> 1 Australia   Oceania    1952    69.1  8691212    10040.  100 
#> 2 New Zealand Oceania    1952    69.4  1994794    10557.  100 
#> 3 Australia   Oceania    1957    70.3  9712569    10950.  109.
#> 4 New Zealand Oceania    1957    70.3  2229407    12247.  116.
#> 5 Australia   Oceania    1962    70.9 10794968    12217.  122.
#> 6 New Zealand Oceania    1962    71.2  2488550    13176.  125.

# Compare indexes across countries using a line plot
idx_gap %>% 
  ggplot(aes(x = year, 
             y = index,
             color = country)) +
  geom_line()