ANÁLISIS DE COMPONENTES PRINCIPALES DE
LA TARIFA DE ELECTRICIDAD EN MÉXICO
CASO DE ESTUDIO
ANALYSIS OF PRINCIPAL COMPONENTS OF THE
ELECTRICITY RATE IN MEXICO - CASE STUDY
Edgar Ivan Faustino Cruz
Comisión Reguladora de Energía, México
pág. 10352
DOI: https://doi.org/10.37811/cl_rcm.v8i4.13173
Análisis de Componentes Principales de la Tarifa de Electricidad en
México Caso de Estudio
Edgar Ivan Faustino Cruz
1
edgarivanfc@gmail.com
https://orcid.org/0000-0001-5406-0349
Comisión Reguladora de Energía
México
RESUMEN
Este estudio analiza la estructura subyacente de las tarifas finales del suministro básico de electricidad
en México, empleando el Análisis de Componentes Principales (PCA) para identificar los factores clave
que influyen en la formación de dichas tarifas y explorar diferencias regionales. Se utilizaron datos
mensuales de 17 divisiones tarifarias y 12 categorías tarifarias para realizar un análisis exploratorio,
observando mayor variabilidad en los componentes de capacidad, generación y distribución. La
metodología incluye el lculo de la matriz de covarianza y la selección de componentes principales
para reducir la dimensionalidad del conjunto de datos. Los resultados del PCA permiten identificar los
principales factores que explican la variabilidad de las tarifas eléctricas en México, proporcionando una
base sólida para futuras investigaciones sobre la formación de precios en el sector eléctrico.
Palabras clave: análisis de componentes principales, tarifas eléctricas, sector eléctrico mexicano
1
Autor principal.
Correspondencia: edgarivanfc@gmail.com
pág. 10353
Analysis of Principal Components of the Electricity Rate in Mexico - Case
Study
ABSTRACT
This study analyzes the underlying structure of the final electricity tariffs for basic supply in Mexico,
using Principal Component Analysis (PCA) to identify the key factors that influence the formation of
these tariffs and to explore regional differences. Monthly data from 17 tariff divisions and 12 tariff
categories were used to conduct an exploratory analysis, observing greater variability in the components
of capacity, generation, and distribution. The methodology includes calculating the covariance matrix
and selecting principal components to reduce the dimensionality of the dataset. The PCA results allow
for the identification of the main factors explaining the variability of electricity tariffs in Mexico,
providing a solid foundation for future research on price formation in the electricity sector.
Keywords: principal component analysis, electricity tariffs, mexican electricity sector
Artículo recibido 10 julio 2024
Aceptado para publicación: 18 agosto 2024
pág. 10354
INTRODUCCIÓN
El presente estudio se centra en analizar la estructura subyacente de las tarifas finales del suministro
básico de electricidad en México. A través de la aplicación del Análisis de Componentes Principales
(PCA), se busca identificar los principales factores que influyen en la formación de estas tarifas y
explorar la existencia de diferencias regionales. Esta investigación se enmarca dentro de un amplio
cuerpo de literatura que ha examinado la relación entre los precios de la energía y la inflación. Estudios
previos, como los de (Conflitti & Luciani, 2019), (Baba & Lee, 2022)), (Gagliardone & Gertler, 2023)
han evidenciado un impacto positivo de los precios de la energía sobre la inflación subyacente,
centrándose principalmente en los efectos de los precios del petróleo a nivel global.
Sin embargo, el contexto mexicano presenta particularidades que ameritan un análisis más profundo.
En este sentido, el presente estudio se diferencia de investigaciones anteriores al utilizar precios de la
energía a nivel de consumidor. Además, el análisis se extendiende más allá de la inflación subyacente,
incluyendo otros indicadores relevantes.
Para alcanzar estos objetivos, el estudio se estructura en cinco secciones. Tras esta introducción, se
realizará una revisión de la literatura, con un enfoque particular en los estudios que han analizado la
relación entre los precios de la energía y la inflación en contextos similares a México. A continuación,
se describirá la metodología empleada, incluyendo la fuente de datos, las variables seleccionadas y el
modelo econométrico utilizado.
En la tercera sección, se presentarán los resultados del análisis exploratorio de los datos. Posteriormente,
se aplicará el Análisis de Componentes Principales (PCA) para identificar los principales factores que
explican la variabilidad de las tarifas finales del suministro básico de electricidad en México.
Finalmente, se presentarán las conclusiones del estudio, discutiendo las implicaciones de los resultados
y proponiendo líneas futuras de investigación.
Revisión de la Literatura
La relación entre los precios de la energía y la inflación ha sido objeto de diversos estudios
econométricos. (Conflitti & Luciani, 2019) analizan el traspaso de los precios del petróleo a los precios
al consumidor en Estados Unidos y la zona euro, utilizando un modelo de factor dinámico y técnicas
VAR. Sus hallazgos indican que la transmisión a la inflación subyacente ocurre principalmente a través
pág. 10355
de efectos macroeconómicos generales, siendo esta pequeña pero estadísticamente significativa y
persistente.
En contraste (Kilian & Zhou, 2023) desarrollan un modelo de vectores autorregresivos (VAR) para
cuantificar el impacto conjunto de los choques en varios precios de la energía sobre la inflación general
y subyacente en Estados Unidos. Sus resultados confirman que centrarse únicamente en los precios de
la gasolina subestima las presiones inflacionarias del sector energético, pero no lo suficiente como para
alterar la conclusión de que gran parte del aumento de la inflación en 2021 y 2022 provino de choques
no energéticos.
Por otro lado, (Vlieghe, 2024) analiza datos de múltiples países y argumenta que los aumentos en los
precios de la energía conducen a incrementos graduales en la inflación subyacente. Mediante un análisis
de diferencias en diferencias (DID), estima que un shock en los precios de la energía provoca un
aumento máximo de 0,26 puntos porcentuales en la inflación subyacente después de 18 meses. Esto
sugiere que la inflación subyacente puede verse afectada por los precios de la energía a lo largo de un
período prolongado, cuestionando su utilidad como indicador aislado de las presiones inflacionarias..
La relación entre los precios de la electricidad y la inflación ha mostrado ser significativa, dado que la
electricidad es un insumo crucial para diversas industrias y hogares. Estudios previos han encontrado
que los cambios en los precios de la energía, incluyendo los precios de la electricidad, pueden tener un
impacto pequeño pero significativo en la inflación de precios al consumidor (Abdallah & Kpodar,
2020), lo que resalta la importancia de monitorear fuerzas globales al evaluar y predecir la inflación.
(Moshiri & Martinez Santillan , 2018) analizan cómo la reforma del mercado energético mexicano,
especialmente la eliminación de subsidios, afectará el consumo y el bienestar de los hogares con
diferentes niveles de ingresos en el corto plazo. Utilizando el modelo QUAIDS y el método SURE no
lineal, así como encuestas de hogares mexicanos (2002-2012), se predice la elasticidad de la demanda
ante posibles cambios de precios. Los resultados sugieren que el impacto variará según el tipo de energía
y el nivel de ingresos del hogar.
Aunque algunos estudios, como el de (Massa & Rosellón, 2020), no encuentran una relación causal
clara entre la producción de electricidad y el desempeño económico en México, esto no implica que los
responsables de la política económica deban ignorar los precios de la electricidad al gestionar la
pág. 10356
inflación. Más bien, la evidencia existente sugiere que se requiere un enfoque integral que considere los
impactos diferenciados de los cambios en los precios de la energía, incluyendo la electricidad, en
distintos grupos de ingresos y patrones de consumo energético para abordar eficazmente las presiones
inflacionarias en México.
Tarifas Finales de Suministro Básico
Las Tarifas Finales del Suministro Básico en México, en el marco de la Ley de la Industria Eléctrica
(LIE), representan un pilar esencial del sistema regulatorio del sector eléctrico nacional. Estas tarifas
definen la estructura de precios que se aplica a los usuarios finales que reciben el servicio de suministro
básico de electricidad, un servicio público según lo estipulado en la LIE.
El artículo 3, fracción XLIX de la LIE, establece que el Suministro Básico se refiere al "Suministro
Eléctrico que se provee bajo regulación tarifaria a cualquier persona que lo solicite y que no sea Usuario
Calificado". Esta definición proporciona la base legal para la implementación de las Tarifas Finales del
Suministro Básico. Conforme al artículo 138 de la LIE, las Tarifas Finales del Suministro Básico deben
cubrir los siguientes conceptos:
Los cargos por transmisión, distribución, operación del Centro Nacional de Control de Energía
(CENACE) y operación del Suministrador de Servicios Básicos.
Los cargos por servicios conexos no incluidos en el Mercado Eléctrico Mayorista (MEM).
El costo de la energía eléctrica, la potencia y demás productos asociados adquiridos en el MEM.
La CRE es la encargada de expedir y aplicar la regulación tarifaria para estas actividades, así como de
determinar el costo tarifario de cada uno de los componentes mencionados anteriormente.
Las tarifas finales para el Suministro Básico se determinan mensualmente de la siguiente manera
:
,, =  + , +  + , +  + ,,
Con ,, = ,, + ,,
Donde:
es cada una de las 17 divisiones tarifarias.
es cada una de las 12 categorías tarifarias.
es el mes de aplicación de la TFSB
pág. 10357

,,
es la Tarifa Final de Suministro Básico de la división , categoría tarifaria , para el mes .
es el cargo vigente de transmisión correspondiente a la categoría tarifaria
,
es el cargo vigente de distribución correspondiente a la división , categoría tarifaria
.
 es el cargo vigente por la operación del Centro Nacional de Control de la Energía (CENACE).

,
es el cargo vigente por la Operación del Suministrador de Servicios Básicos de la división ,
categoría tarifaria .
 es el cargo vigente por los Servicios Conexos no Incluidos en el MEM.
,,
es el cargo de generación de la división , categoría tarifaria , en el mes .
,
es el cargo por energía de la división , categoría tarifaria , en el mes .
,
es el cargo por capacidad de la división , categoría tarifaria , en el mes .
Adicionalmente, los usuarios se agrupan en doce categorías tarifarias, de acuerdo con sus características
de consumo, el nivel de tensión al que se conectan, y el tipo de medición con que cuentan.
Tabla 1. Categorías tarifarias
Categoría
tarifaria
Descripción
Tarifa anterior
1/
DB1
Doméstico en Baja Tensión, consumiendo hasta 150
kWh-mes
1, 1A, 1B, 1C, 1D, 1E, 1F
DB2
Doméstico en Baja Tensión, consumiendo más de 150
kWh-mes
1, 1A, 1B, 1C, 1D, 1E, 1F,
DAC
PDBT
Pequeña Demanda (hasta 25 kW-mes) en Baja Tensión
2, 6
GDBT
Gran Demanda (mayor a 25 kW-mes) en Baja Tensión
3, 6
RABT
Riego Agrícola en Baja Tensión
9, 9CU, 9N
APBT
Alumbrado Público en Baja Tensión
5, 5A
APMT
Alumbrado público en Media Tensión
5, 5A
GDMTH
Gran Demanda (mayor a 25 kW-mes) en Media
Tensión horaria
HM, HMC, 6
GDMTO
Gran Demanda (mayor a 25 kW-mes) en Media Tensión ordinaria OM, 6
RAMT
Riego Agrícola en Media Tensión
9M, 9CU, 9N
DIST
Demanda Industrial en Subtransmisión
HS, HSL
DIT
Demanda Industrial en Transmisión
HT, HTL
pág. 10358
Análisis exploratorio
La Tabla 2 presenta el conteo total de observaciones para cada componente de las tarifas finales del
suministro de electricidad, desglosadas por división y año. Dado que se dispone de datos mensuales, se
obtienen un total de 122,720 observaciones. Al incorporar el Índice Nacional de Precios al Consumidor
(INPC), proporcionado por el INEGI, como variable adicional, el número total de observaciones se
duplica. El INPC utilizado corresponde al promedio de las 56 ciudades con mayor variación.
Tabla 2. Estrucutra de la base de datos
2018
2019
2020
2021
2022
2023
2024
Total
1200
1200
1080
1080
1080
1080
540
7260
144
144
144
144
144
144
72
936
144
144
144
144
144
144
72
936
120
120
120
120
120
120
60
780
240
240
240
240
240
240
120
1560
120
120
240
144
144
144
144
144
144
72
936
144
144
144
144
144
144
72
936
144
144
144
144
144
144
72
936
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
1200
1200
1080
1080
1080
1080
540
7260
500
1200
1080
1080
1080
1080
540
6560
1200
1200
1080
1080
1080
1080
540
7260
19700
20400
18360
18360
18360
18360
9180
122720
pág. 10359
La Tabla 3 muestra la desviación estándar de cada componente tarifario por año. Los resultados
evidencian una mayor variabilidad en los componentes de suministro, capacidad de distribución y
generación, en comparación con pérdidas y servicios conexos no incluidos en el mercado eléctrico
mayorista (SCnMEM).
Tabla 3. Desviación estándar por componente tarifario y año
Divisón y
Segmento
2018
2019
2020
2021
2022
2023
2024
Capacidad
150.54256
151.23303
145.50175
147.05990
159.25251
174.19909
177.22578
CENACE
0.00137
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
Distribución
109.02109
112.24144
113.63482
119.42948
127.37367
120.35865
120.73848
Generación
0.62351
0.56714
0.54627
0.55176
0.59747
0.65367
0.66432
Pérdidas
0.00000
0.00000
SCnMEM
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
Suministro
590.70666
612.88783
631.27462
650.21307
476.94302
546.98860
495.00225
Transmisión
0.02458
0.02579
0.02604
0.02693
0.02726
0.02726
0.02743
METODOLOGÍA
El Análisis de Componentes Principales es una técnica ampliamente utilizada en la inferencia
estadística multivariada. Desde una perspectiva matemática, el PCA se emplea para transformar un
conjunto de variables correlacionadas en nuevas variables no correlacionadas, manteniendo el mismo
número de variables. Esto se logra identificando las variables que más contribuyen a la variabilidad
total del vector original de variables aleatorias. La matriz de covarianza, definida como el valor esperado
del producto de
y
, representa las relaciones entre las variables y no es un vector nulo (Hong &
Wu, 2012)
Al calcular los autovectores y autovalores de la matriz de covarianza, se puede identificar cuáles
componentes principales (PCs, por sus siglas en inglés) explican la mayor parte de la varianza total del
vector. El principal objetivo del PCA es reducir la dimensionalidad de un conjunto de datos, lo que
implica disminuir el número de variables sin perder una cantidad significativa de la variabilidad
inherente en los datos. Esta reducción se logra mediante la transformación de las variables originales
en un nuevo conjunto de variables denominadas componentes principales (PCs), las cuales son
combinaciones lineales de las variables iniciales.
pág. 10360
Las componentes principales se generan de manera que sean ortogonales entre sí, es decir, no estén
correlacionadas, lo que garantiza que cada componente capture una porción distinta de la varianza total
del conjunto de datos. Además, estas componentes se ordenan según la cantidad de variabilidad que
explican, siendo la primera componente la que captura la mayor parte de la varianza presente en los
datos originales. Las subsecuentes componentes explican porciones decrecientes de la variabilidad
restante.
De este modo, un pequeño número de componentes principales suele ser suficiente para describir la
mayoría de la información contenida en los datos, lo que convierte al PCA en una herramienta poderosa
para simplificar el análisis sin perder la esencia de la estructura subyacente del conjunto de datos
original. (Jolliffe & Cadima, 2016). Por ejemplo, el PCA ha sido utilizado para analizar la dinámica de
la volatilidad implícita de precios y capturar las fluctuaciones a largo y corto plazo en la estructura
temporal de la volatilidad de índices bursátiles. En resumen, el PCA es una herramienta eficiente y
confiable para estudios en mercados eléctricos y otras áreas.
Resultados del PCA
En la Tabla 2 se observó que algunas de las variables presentan poca variabilidad, como es el caso de
Pérdidas. Por lo tanto, con el fin de simplificar y facilitar el análisis, se seleccionaron únicamente los
segmentos de Capacidad, Generación y Distribución, dado que muestran mayor variabilidad y porque
son variables que se miden en energía o potencia. Se excluyó del análisis al segmento de Suministro,
ya que este último se mide en usuarios.
Como se detalló en la sección anterior, el PCA permite analizar y sintetizar grandes volúmenes de
información, como en este caso. Por lo tanto, se seleccionó el promedio de todo el periodo para las 17
divisiones de los segmentos seleccionados. El algoritmo PCA consta de cuatro pasos principales:
1. Calcular el conjunto de datos ajustado X de tamaño n×p
2. Calcular la matriz de covarianza S.
3. Calcular los autovectores/autovalores de S.
4. Calcular el conjunto de datos transformado Z=XA, donde A es la matriz que contiene los
autovectores.
pág. 10361
El gráfico Scree proporciona una visión detallada de cómo se distribuyen las varianzas explicadas por
cada uno de los componentes principales derivados del análisis de componentes principales. El Scree
plot muestra las varianzas explicadas en porcentaje para cada una de las dimensiones o componentes
principales. En el gráfico, cada barra representa la proporción de la varianza explicada por un
componente específico. El eje x representa las dimensiones o componentes, mientras que el eje y
muestra el porcentaje de la varianza explicada. La línea negra que conecta los puntos en la parte superior
de cada barra ayuda a visualizar la caída en la varianza explicada a medida que se consideran más
componentes.
Grafico 1
En este caso, el primer componente principal (Dim1) explica aproximadamente el 41.5% de la varianza
total del conjunto de datos, lo que sugiere que esta dimensión captura la mayor parte de la información
presente en los datos. El segundo componente (Dim2) explica un 30.3% adicional de la varianza. Juntos,
estos dos componentes acumulan el 71.8% de la varianza total. Esto indica que los primeros dos o tres
componentes principales capturan la mayor parte de la variabilidad de los datos. Para reducir la
dimensionalidad del conjunto de datos sin perder demasiada información, se podría considerar mantener
solo estos primeros componentes.
pág. 10362
El biplot de las variables (Imagen 1) muestra la representación gráfica de las variables originales en el
espacio definido por las dos primeras componentes principales (Dim1 y Dim2) obtenidas a través del
Análisis de Componentes Principales (PCA). Este gráfico permite observar cómo las variables
contribuyen a la varianza explicada por cada una de estas dimensiones y cómo se relacionan entre sí.
El eje horizontal representa la primera dimensión (Dim1), que explica el 41.5% de la varianza total,
mientras que el eje vertical representa la segunda dimensión (Dim2), que explica el 30.3% de la
varianza. Juntas, estas dos dimensiones capturan el 71.8% de la variabilidad total en los datos, lo cual
es una proporción sustancial. El color de las variables en el gráfico está codificado por su contribución
a las dimensiones, con tonos más cálidos (rojo y naranja) que indican una mayor contribución. Por
ejemplo, DIST_Capacidad es una de las variables que más contribuye a Dim1.
Imagen 1. Biplot de las variables
Las variables cuyas flechas apuntan en direcciones similares están altamente correlacionadas. Por
ejemplo, la mayoría de las variables de generación parecen estar altamente correlacionadas. Por otro
lado, las variables cuyas flechas apuntan en direcciones opuestas están débilmente correlacionadas o
negativamente correlacionadas. Por ejemplo, DB2_Capacidad y RABT_Capacidad parecen estar
negativamente correlacionadas con el INPC y los diversos componentes de distribución.
pág. 10363
La Imagen 2 muestra el biplot de individuos, que permite visualizar simultáneamente las observaciones
(en este caso, las divisiones geográficas) y las relaciones que estas tienen en el espacio definido por los
componentes principales obtenidos a través del Análisis de Componentes Principales (PCA). La escala
de colores (cos2) indica la calidad de representación de cada división en este plano bidimensional.
Imagen 2. Biplot de los individuos
Se observa un clúster de divisiones en el cuadrante superior izquierdo (Centro Occidente, Centro
Oriente, Jalisco), lo que sugiere similitudes en sus características. Baja California y Baja California Sur
se encuentran en extremos opuestos del eje Dim1, indicando diferencias significativas en las
características capturadas por esta dimensión. Dim1 parece separar las regiones peninsulares (Baja
California, Baja California Sur) del resto, posiblemente reflejando diferencias en infraestructura
eléctrica o patrones de consumo. Dim2 distingue entre regiones del norte (valores negativos) y del
centro-sur (valores positivos), posiblemente capturando variaciones en factores como la densidad
poblacional o la actividad industrial.
En la Imagen 3 se presenta la matriz de correlación, en la cual se sustituyeron las leyendas del INPC
por X1, APBT_Capacidad por X2, APMT_Capacidad por X3 y así sucesivamente hasta
RABT_Distribucion por X37 y RAMT_Distribucion por X38. La matriz de correlación es una
herramienta que permite evaluar la fuerza y la dirección de la relación lineal entre pares de variables.
pág. 10364
Los valores de la matriz oscilan entre -1 y 1:
1 indica una correlación positiva perfecta.
0 indica que no hay correlación lineal.
Imagen 3. Matriz de correlación
La matriz debe interpretarse por bloques. El cuadrante inferior derecho refleja una alta correlación entre
todos los segmentos de distribución, al igual que el cuadrante central, que muestra una correlación
positiva entre todas las categorías tarifarias del segmento de generación. Sin embargo, la riqueza de la
matriz surge cuando se presta atención a regiones o cuadrantes con diferentes colores y, por lo tanto,
distintas correlaciones. Por ejemplo, el primer renglón (o columna) corresponde a la inflación, donde
destaca una correlación negativa con la variable X13 (RAMT_Capacidad) y correlaciones ligeramente
positivas con el segmento de distribución (X29 a X38), ambos resultados consistentes con los
encontrados en el biplot de las variables.
CONCLUSIONES
El conjunto de análisis realizados, incluyendo el biplot de variables, el biplot de individuos y la matriz
de correlación, ha revelado patrones complejos y significativos en la estructura del sector eléctrico
mexicano.
pág. 10365
El biplot de variables indica que la primera dimensión captura principalmente aspectos relacionados
con la capacidad de distribución y transmisión, mientras que la segunda dimensión se asocia con
variables de capacidad en diferentes segmentos del mercado. Esta visualización permite identificar
grupos de variables altamente correlacionadas y comprender cómo contribuyen a la variabilidad total
de los datos.
Por su parte, el biplot de individuos destaca marcadas diferencias geográficas, particularmente entre las
regiones peninsulares y el resto del país. Estas diferencias sugieren la existencia de factores regionales
específicos que influyen en la estructura y el funcionamiento del sistema eléctrico mexicano.
La matriz de correlación confirma los hallazgos de los biplots, mostrando una alta correlación intra-
segmento en distribución y generación. Además, revela una relación negativa entre la inflación y la
variable RAMT_Capacidad, y una relación positiva con el segmento de distribución. Estos resultados
indican la existencia de interdependencias complejas entre las diferentes variables del sector eléctrico.
En general, el análisis PCA es una herramienta fundamental para analizar datos multivariados. Ya que
ermite reducir la dimensionalidad de los datos y determinar qué sectores tienen un alto impacto, incluso
sin conocimiento previo sobre el sector eléctrico y cómo se conforman las tarifas. Estos resultados
pueden ayudar a los interesados a manejar futuros problemas relacionados con las tarifas, oque pueden
ser complementados con otras variables de interés, tales como los precios marginales locales o variables
de inversión.
REFERENCIAS BIBLIOGRAFICAS
Abdallah, C., & Kpodar, K. (2020). How Large and Persistent is the Response of Inflation to Changes
in Retail Energy Prices? IMF Working Papers.
Baba, C., & Lee, J. (2022). Second-Round Effects of Oil Price ShocksImplications for Europe’s
Inflation Outlook. IMF Working Paper WP/22/173.
Conflitti , C., & Luciani, M. (2019). Oil Price Pass-through into Core Inflation. The Energy Journal.
Gagliardone, L., & Gertler, M. (2023). Oil Prices, Monetary Policy and Inflation Surges. NBER
Working Papers.
Hong, Y.-Y., & Wu, C.-P. (2012). Day-Ahead Electricity Price Forecasting Using a Hybrid Principal
Component Analysis Network. Energies.
pág. 10366
Jolliffe, I., & Cadima, J. (2016). Principal component analysis: a review and recent developments.
Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering
Sciences.
Kilian, L., & Zhou, X. (2023). A broader perspective on the inflationary effects of energy price shocks.
Energy Economics.
Massa, R., & Rosellón, J. (2020). Linear and nonlinear Granger causality between electricity production
and economic performance in Mexico. Energy Policy.
Moshiri, S., & Martinez Santillan , M. (2018). The Welfare Effects of Energy Price Changes due to
Energy Market Reform in Mexico. Energy Policy.
Vlieghe, G. (2024). Core Strength: International Evidence on the Impact of Energy Prices on Core
Inflation. Centre for Macroeconomics (CFM), Discussion Papers 2407.