Machine Translated by Google

Política Energética 141 (2020) 111444

Listas de contenidos disponibles en ScienceDirect

La política energética

página de inicio de la revista: http://www.elsevier.com/locate/enpol

Metaanálisis de evidencia empírica sobre pobreza energética: El caso de

las economías en desarrollo

Abre­Rehmat Qurat­ul­Ann, Faisal Mehmood Mirza *

Departamento de Economía, Campus Hafiz Hayat, Jalalpur Jattan road, Universidad de Gujrat, Gujrat, 50700, Pakistán

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: La pobreza energética ha evolucionado como un tema importante de investigación desde perspectivas académicas y políticas durante las
Pobreza energética últimas dos décadas. Las estimaciones de la pobreza energética muestran variaciones generalizadas entre regiones, metodologías y conjuntos
Servicios energéticos
de datos, lo que dificulta la tarea de las políticas energéticas y de desarrollo. Las variaciones en las estimaciones de la pobreza energética
Metaanálisis
requieren un análisis sistemático y riguroso de estos estudios empíricos para obtener una medida real de la pobreza energética. El presente
Metarregresión
estudio realiza un metanálisis de 30 estudios y 103 estimaciones de pobreza energética.
Economías en desarrollo
Heterogeneidad
En promedio, el 71,1 por ciento de la población en los estudios de muestra generales ha sido identificada como pobre en energía. Los valores
altos del estadístico I­cuadrado sugieren un sesgo de heterogeneidad en los estudios de muestra; por lo tanto, se ha realizado un análisis a
nivel de subgrupo. El análisis de metarregresión de la muestra general y los subgrupos ha identificado el tipo de metodología, las citas, el
factor de impacto de la revista, las variables ficticias regionales, el precio promedio del petróleo crudo y el producto interno bruto como factores
importantes que explican la heterogeneidad en los tamaños del efecto de la pobreza energética. Recomendamos la inclusión de factores
locales y regionales en la evaluación de la pobreza energética para desarrollar una metodología uniforme para evaluar la pobreza energética
en las economías en desarrollo.

1. Introducción
La pobreza energética se refiere a la falta de alternativas suficientes y de las
condiciones necesarias para el acceso a servicios energéticos modernos adecuados,
económicos, confiables, seguros y ambientalmente sostenibles (Reddy et al., 2000),
(World Energy Outlook, 2002) que ayuden a lograr objetivos económicos y desarrollo
humano (Banco Asiático de Desarrollo, 2012; World En­ergy Outlook, 2010; Naciones
Unidas, 2010). El concepto de pobreza energética surgió del debate sobre la pobreza
energética en las economías desarrolladas; una situación en la que individuos, familias y
grupos de población carecen de recursos para obtener hogares razonablemente cálidos
y bien iluminados de acuerdo con los niveles aceptables de la sociedad (Bradshaw y
Hutton, 1983).
El trabajo fundamental de Boardman (1991) (Boardman, 2010) explica la pobreza
energética como la incapacidad de las personas para obtener y permitirse un nivel
adecuado de calefacción para sus hogares, medida por el porcentaje de gastos de
energía que exceden el umbral del 10 por ciento del promedio nacional, como valor
residual. Los ingresos sitúan al hogar por debajo del umbral oficial de pobreza (Pachauri
et al., 2013; Hills, 2011). La idea básica de pobreza energética evolucionó a partir del
concepto de pobreza energética estimado para el caso de economías desarrolladas con
climas fríos. La pobreza energética tiene un alcance limitado ya que considera
solo aquellos hogares que no pueden mantener sus hogares lo suficientemente calientes
debido a la falta de asequibilidad y a las deudas acumuladas de combustible (Boardman,
2010). Por el contrario, la pobreza energética se define como la falta de acceso a la
electricidad y a instalaciones limpias para cocinar (dependencia de la biomasa tradicional)
para satisfacer las necesidades energéticas básicas de los hogares (World Energy
Outlook, 2002), (Parajuli, 2011; Pereira et al., 2010; AIE (Agencia Internacional de
Energía), 2010). El trabajo de investigación sobre pobreza energética se dirige
principalmente a países en desarrollo con todo tipo de condiciones climáticas (Li et al., 2014).
Hay pocas similitudes entre estos dos conceptos, por ejemplo, ambos conceptos se
investigan para el sector residencial y tratan principalmente con grupos de bajos ingresos
y tienen riesgos similares en términos de pobreza, salud, equidad y desarrollo social. Por
lo tanto, la pobreza energética y energética difieren en términos de enfoque de definición
(asequibilidad, disponibilidad), enfoques de medición (medida del 10 por ciento de bajos
ingresos y alto costo, índice de desarrollo energético/índice de pobreza energética
multidimensional), objetivos de investigación (países desarrollados, países en desarrollo)
y características climáticas (frío, todas) (Li et al., 2014). La pobreza energética ha
demostrado ser un concepto mucho más amplio con su amplia aplicación y relevancia
para la mayoría de las economías mundiales. El concepto de acceso a la energía fue
ampliado por (Pachauri y Spreng, 2004) en términos de cantidad y asequibilidad y

Esta investigación no recibió ninguna subvención específica de agencias de financiación del sector público, comercial o sin fines de lucro.
* Autor correspondiente.
Dirección de correo electrónico: faisal.mirza@uog.edu.pk (FM Mirza).

https://doi.org/10.1016/j.enpol.2020.111444 Recibido el 7
de agosto de 2019; Recibido en forma revisada el 30 de enero de 2020; Aceptado el 17 de marzo de 2020 Disponible en
línea el 14 de abril de 2020
0301­4215/© 2020 Elsevier Ltd. Todos los derechos reservados.
Machine Translated by Google
ARKANSAS. Qurat­ul­Ann y FM Mirza
Se puede dividir en acceso físico y acceso real a los servicios energéticos.
El acceso real a los servicios energéticos puede verse limitado por el poder adquisitivo de
los hogares, el coste de la energía y los equipos que utilizan energía. El acceso de los
hogares a estos servicios energéticos afecta su nivel de bienestar (Pachauri y Spreng,
2004). Sovacool et al. han sugerido la incorporación de la energía mecánica y la movilidad
en los servicios energéticos esenciales, además de la iluminación, la cocina y la
calefacción . (2012).
El énfasis de Birol (2007) en la importancia de superar el desafío de la reducción de
la pobreza energética y su inclusión en el campo de la economía energética hizo avanzar
esta idea y condujo a la reconceptualización de la pobreza energética por parte de
investigadores y académicos de las economías en desarrollo. mies (Pachauri et al., 2004;
Bazilian et al., 2010; Onyeji et al., 2012; Khandker et al., 2012a). Ha habido diferencias
sobre los conceptos y estimaciones de la pobreza energética que varían según las
regiones, las metodologías y los conjuntos de datos (Pachauri y Spreng, 2004), (Birol,
2007), (Barnes et al., 2011a; Nussbaumer et al., 2012a; Pachauri y Spreng, 2011), (Crentsil
et al., 2019a; Mendoza et al., 2019a; Oum, 2019a; Sambodo y Novandra, 2019a; Zhang et
al., 2019a; Phoumin y Kimura, 2019a).
La mayoría de los estudios de pobreza energética seleccionaron una sola dimensión o
indicador (Pachauri y Spreng, 2004) o dos dimensiones (Pachauri et al., 2004), (Sambodo
y Novandra, 2019a), (Sanusi y Owoyele, 2016a) para estimar pobreza energética en los
primeros años cuando el interés en el campo era nuevo. Posteriormente, algunos estudios
se esforzaron en emplear más de dos dimensiones (cinco a ocho) para capturar la amplia
gama de privaciones de acceso a los servicios energéticos (Nussbaumer et al., 2012a),
(Crentsil et al., 2019a), (Mendoza et al., 2019a). al., 2019a), (Nussbaumer et al., 2013a;
Awan et al., 2013a; Sadath y Acharya, 2017a). Con pocas excepciones (Khanna et al.,
2019), (Tchereni et al., 2013a), siguiendo el trabajo fundamental de Nus­baumer et al.
(Nussbaumer et al., 2012a), las medidas multidimensionales de pobreza energética, han
dominado la literatura en los últimos años (Crentsil et al., 2019a; Mendoza et al., 2019a),
(Sadath y Acharya, 2017a; Bersisa, 2017a). La heterogeneidad de la literatura hace difícil
llegar a una conclusión única o a una evaluación promedio del verdadero tamaño del
efecto de la pobreza energética en el mundo en desarrollo.
La pobreza energética conlleva graves implicaciones micro y macroeconómicas para
las economías en desarrollo. La perspectiva microeconómica implica dificultades para
realizar funciones esenciales de la vida diaria como cocinar, iluminación, uso de
telecomunicaciones, entretenimiento, uso de dispositivos mecánicos y transporte para la
movilidad. El bienestar humano se ve afectado en ausencia de estos servicios energéticos,
mientras que el acceso a la energía moderna puede aumentar el nivel de ingresos de los
hogares mediante la provisión de oportunidades para mejorar la salud, la educación y el
desarrollo empresarial (Pachauri y Spreng, 2004) (Day et al. , 2016; Sovacool, 2014). Las
implicaciones macroeconómicas incluyen un crecimiento económico lento, insostenibilidad
ambiental y ecológica y una disminución de la productividad laboral (Bazilian y Yumkella,
2015).
Desde el trabajo fundamental de Birol (2007), una amplia gama de estudios ha
presentado abundantes estimaciones de la pobreza energética basadas en metodologías
y tipos de conjuntos de datos innovadores para diferentes partes del mundo. Con la
expansión de las publicaciones de investigación y la disponibilidad de amplia información,
se requiere una revisión sistemática y crítica de la literatura para comprender el verdadero
tamaño del efecto de las estimaciones de la pobreza energética en las economías en
desarrollo. Las variaciones en las estimaciones de un gran número de estudios
independientes sobre un tema específico que utilizan diferentes conjuntos de datos y
metodologías pueden proporcionar mayores conocimientos y poder explicativo a las
estimaciones agregadas que los estudios individuales presentados por separado (Stanley,
2001). Aunque algunos estudios han empleado el metanálisis para otras cuestiones
relacionadas con el sector energético, esta literatura generalmente ha guardado silencio
sobre la cuestión de la pobreza energética (Hajko, 2017; Labandeira et al., 2017; Menegaki,
2014).
La situación de pobreza energética en las economías en desarrollo requiere esta
evaluación y nuestro estudio proporciona la base al realizar una revisión bibliográfica
sistemática rigurosa de los estudios de pobreza energética existentes en todo el mundo
en desarrollo. Esta revisión sistemática proporciona un tamaño del efecto integral de la
pobreza energética, explica la heterogeneidad entre estudios en estos tamaños del efecto
y proporciona valores predichos dentro de la muestra de la pobreza energética.
2
Política Energética 141 (2020) 111444
pobreza energética bajo el conjunto dado de condiciones (Nelson y Kennedy, 2009; Pigott,
2012). Hasta donde sabemos, no existe ningún estudio de referencia o evaluación confiable
disponible para comparar y analizar una variedad de estudios que utilizan diferentes
metodologías para medir la pobreza energética.
Por lo tanto, las diferencias en las estimaciones de pobreza energética en la literatura
existente hacen que sea difícil comprenderla en una revisión narrativa de la literatura.
Por lo tanto, al principio es importante llevar a cabo una revisión sistemática para
obtener una estimación real de los parámetros de la pobreza energética en la literatura
existente para las economías en desarrollo. En segundo lugar, es imperativo evaluar la
gravedad de este problema para formular decisiones políticas efectivas condicionadas a
las circunstancias locales (Nussbaumer et al., 2012a; Pachauri y Spreng, 2011), (Aristondo
y Onaindia, 2018) y al mismo tiempo proporcionar una línea de base. Sin evaluaciones
precisas y estudios de referencia, pueden surgir soluciones políticas subóptimas. En tercer
lugar, podría haber un alcance limitado para las conclusiones generalizables sobre el
tamaño real del efecto derivado de los análisis de los estudios individuales. Por lo tanto,
llevar a cabo un análisis conjunto de los hallazgos de la literatura existente es una solución
alternativa viable para fortalecer la evidencia sobre los méritos de los trabajos existentes
(DerSimonian y Laird, 1986). En este contexto, el objetivo principal de este estudio es
estimar una medida resumida del tamaño del efecto de la pobreza energética, analizar su
validez a través del análisis de heterogeneidad y descubrir el efecto de diferentes
determinantes sobre la heterogeneidad entre las estimaciones del estudio de muestra.
El resto del trabajo se organiza de la siguiente manera. La sección 2 elabora el
proceso de metanálisis y analiza su metodología. La sección 3 analiza los resultados del
análisis general y de subgrupos. La sección 4 trata del análisis de heterogeneidad. La
Sección 5 presenta los hallazgos de la metarregresión, mientras que la Sección 6 concluye
el artículo con recomendaciones apropiadas.
2. Metodología
Procedemos en tres pasos para llevar a cabo el análisis en este estudio. Primero,
identificamos los estudios de pobreza energética y realizamos un metanálisis. En segundo
lugar, hemos probado la existencia de un sesgo de heterogeneidad entre los tamaños del
efecto (estimaciones de pobreza energética) a partir de estimaciones empíricas
proporcionadas por estos estudios. Finalmente, hemos identificado los factores que causan
heterogeneidad en las estimaciones del tamaño del efecto mediante metarregresión
basada en covariables que comprenden las características del estudio.
2.1. Estrategia de búsqueda y criterios de inclusión.
El metanálisis de los estudios requiere formular una pregunta de investigación. En
nuestro contexto, nos centramos en las estimaciones del recuento de pobreza energética
para las economías en desarrollo obtenidas a partir de una variedad de metodologías y
dimensiones (Pigott, 2012) (Borenstein et al., 2011; Hawcroft y Milfont, 2010). Recopilamos
información sobre todos los estudios disponibles realizados sobre evaluación y medición
de la pobreza energética entre el año 2000 y 2019.
En primer lugar, se realizaron búsquedas en bases de datos bibliográficas con la ayuda de
palabras clave y se identificaron y seleccionaron publicaciones potencialmente relevantes.
Se emplearon palabras clave como 'medición de la pobreza energética', 'estimación de la
pobreza energética', 'pobreza energética multidimensional', 'pobreza energética
unidimensional', 'evidencia empírica de la pobreza energética multidimensional',
'evaluación de la pobreza energética multidimensional' (Ver Tabla 1) y luego se evaluaron
los resúmenes y títulos de los estudios individuales excluyendo los irrelevantes. Estas
palabras clave se utilizaron para múltiples búsquedas bibliográficas utilizando Google
Scholar, Repec (Research Papers in Economics), EconBiz y SSRN (Social Science
Research Network) durante octubre de 2018. Los artículos se recopilaron y finalizaron
entre noviembre de 2018 y diciembre de 2018 (consulte la Tabla 2). Posteriormente, la
literatura sobre la medición de la pobreza energética fue ampliada y actualizada en enero
de 2019 para su análisis (Tabla 2). Como el término pobreza energética se refiere
principalmente a la cuestión de la accesibilidad a la energía, la búsqueda abarca
principalmente estudios de economías en desarrollo. En segundo lugar, los índices
bibliográficos de los estudios seleccionados también se examinaron manualmente en
busca de evidencia adicional sobre la medición de la pobreza energética en todos los
países.
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Tabla 1

Resultados de búsqueda de términos clave.

Sr. Buscador Palabras clave y términos (1) Resultados de la búsqueda Palabras clave y términos (2) Resultados de la búsqueda

1 Google Académico ­Medición de la pobreza energética 641.000 ­Índice de pobreza energética multidimensional 52.500
­Pobreza energética unidimensional 9740 ­Evidencia empírica de pobreza energética multidimensional 54.700
­Evaluación de la pobreza energética multidimensional 61800 ­Pobreza energética multidimensional 68.900
­Evaluación de la pobreza energética unidimensional 8920
2 IDEAS. Repec Medición de la pobreza energética 138 Medición de la pobreza energética multidimensional 22
3 SSRN 13 –
Medición de la pobreza energética Medición de la pobreza energética multidimensional
4 Economía Medición de la pobreza energética 1165 Pobreza energética multidimensional 226

economías en desarrollo. Los estudios más relevantes para nuestra pregunta de
investigación "¿cuál es la estimación promedio de la pobreza energética en las economías
en desarrollo?" fueron seleccionados con base en los criterios que incluyen; i) Los artículos
deben publicarse o escribirse en inglés, ii) El año de publicación debe ser posterior al
2000, iii) Los estudios deben tener alguna estimación de la pobreza energética, iv) La
investigación debe ser relevante para el campo de la energía, la economía y la sociedad.
ciencias, y, v) Los estudios deben provenir de alguna fuente auténtica (publicación de una
revista revisada por pares) (Stanley, 2001).
La preselección de los estudios identificados se realizó según el criterio de que sus
resúmenes y títulos explican la medición de la pobreza energética. Las características del
estudio se identificaron después de la extracción de información abstracta de
los artículos finalmente seleccionados. Estas características generales del estudio incluyen
i) año de publicación del estudio, ii) región de estudio, iii) metodología de investigación
utilizada, iv) citas del estudio y v) factor de impacto de la revista en la que se publicó el
estudio.
Existe una variedad de metodologías y tipos de datos utilizados en los estudios
incluidos. Algunos estudios han utilizado datos de encuestas de hogares representativas
a nivel nacional para estimar la pobreza energética (Awan et al., 2013a), (Sadath y
Acharya, 2017a), (Nussbaumer et al., 2012a), (Crentsil et al., 2019a). . Los estudios
también han empleado encuestas autorealizadas para el análisis y estimación de la
pobreza energética en sus respectivas regiones (Tchereni et al., 2013a), (Edoumiekumo
et al., 2013a), (Akande et al., 2018a), (Bekele et al. , 2018a). al., 2015; Olang et al., 2018a).
Los tipos de medidas de pobreza energética empleadas en los estudios incluyen

Tabla 2
Lista de estudios utilizados en el metanálisis.

Apellido de los autores (año de publicación) Nombre de la revista Apellido de los autores (año de publicación) Nombre de la revista

(Nº de estimaciones utilizadas en cada estudio) (Nº de estimaciones utilizadas en cada estudio)

Akande et al. (2018a,b) Revista Internacional de Innovación Phoumin y Kimura (2019a,b) La política energética
Investigación y Estudios Avanzados

Apere y Karimo (2014) (7) Revista británica de estudios académicos avanzados Sadath y Acharya (2017a, b) La política energética
Investigación

Awan et al. (2013a,b) La Revisión del Desarrollo de Pakistán Sanusi y Owoyele (2016a,b) Procedimiento energético

Barnes et al. (2011a,b) La política energética Sher et al. (2014) (4) Revista Internacional de Economía y Política Energética

Bekele et al. (2015)a Revista Internacional de Economía, Comercio Tchereni et al. (2013a,b) Revista de Economía y Desarrollo Sostenible

y Gestión Revista de Economía y

Bekele et al. (2015)b Desarrollo Sostenible África Oriental Vermaak et Sambodo y Novandra (2019a,b) (2) La política energética

al. (2014)
Bersisa (2017a,b) (2) Revista de Ciencias Económicas y Financieras
Artículos de

investigación
en economía
y finanzas
Oum (2019a,b) (4) Política energética Vermaak et al. (2009) La Revista de Economía Interdisciplinaria
Edoumiekumo et al. (2013a, Diario de Khandhker et al. (2012a,b) (2) La política energética
b) Economía y

Desarrollo

sostenible
Ochoa y Graizbord, 2016 Energía Lipu et al. (2016) Revista internacional de tecnología y política energética
Investigación y
Social
Ciencia
Ismail y Khembo (2015) Diario de Mahmood y Shah (2017) (2) La Revista de Economía de Lahore

Energía en
Del Sur
África
Ismael (2015) Diario de Mirza y Szirmai (2010) Universidad de las Naciones Unidas­MERIT
Ciencias económicas

y
Desarrollo

sostenible
Nussbaumer et al. (2012a,b) (14) Reseñas de Zhang et al. (2019a) (3) La política energética

energías

renovables
Nussbaumer et al. (2013a,b) (32) y sostenibles Sostenibilidad Ogwumike y Ozughalu Economía del Medio Ambiente y el Desarrollo
(2016)
Mendoza et al. (2019a,b) La política energética Crentsil et al. (2019a) (2) La política energética

3
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

gastos relacionados con la energía como porcentaje del gasto total del hogar; Medida de 2.2. Metaanálisis
pobreza energética multidimensional propuesta por Nussbaumer et al. (2012a) con variación
en la selección de dimensiones e indicadores. La lista de nombres de algunas metodologías Propuesto por primera vez por Glass (1976) en 1976, el metanálisis para la revisión
utilizadas en la literatura incluye medidas de satisfacción de necesidades energéticas sistemática de la literatura fue introducido en economía por Stanley y Jarrell (Jarrell y Stanley,
mínimas, inconvenientes energéticos en términos de recolección de fuentes de energía, 1990; Smith y Kaoru, 1990; Stanley y Jarrell, 2005; Weitzman et al., 1990 ) en 1989, lo que
acceso a electricidad y acceso a instalaciones de cocina limpias; medida basada en la llevó a su uso generalizado en la década actual (Havranek et al., 2018), (Nelson y Kennedy,
dimensión de accesibilidad y asequibilidad, medida MAEN (Satisfacción de las necesidades 2009).
energéticas absolutas), índice compuesto de desarrollo energético (1­EDI ¼ EP), conexión Suponiendo el estudio 'i' de un total de 'n' estudios en nuestro análisis, cada uno con una
a la red eléctrica, índice de acceso a la energía basado en una medición de pobreza estimación, yi , del efecto de interés y un error estándar de esta estimación, σi, el metanálisis
energética de múltiples niveles, índice de pobreza energética sociofísica, nuevo índice de de efectos fijos supone un único tamaño de efecto verdadero, θ con homogeneidad del
pobreza energética, pobreza energética multidimensional y pobreza energética ajustada al tamaño del efecto entre los estudios. Por el contrario, el enfoque de efectos aleatorios de
acceso. DerSimonian­Laird (DL) supone heterogeneidad entre los estudios y que los efectos
verdaderos de los estudios individuales se distribuyen con una varianza τ2, alrededor de un
efecto verdadero "general" θi y los efectos observados de cada estudio se utilizan para
2.1.1. Criterios de exclusión de los estudios del metanálisis. modelos de estimación.
También desarrollamos criterios de exclusión para estudios basados en A continuación (Kontopantelis y Reeves, 2010), la distribución de los estudios se describe
que ciertos estudios relevantes no pudieron incluirse en el meta­ como;
análisis; i) Los artículos que no fueron publicados ni revisados por pares (tesis no publicadas
yi θi N θi; σ2yo donde ; θi N θ; τ2 (1)
disponibles en sitios web de universidades, informes de organizaciones y documentos de
trabajo) fueron excluidos incluso si se consideraron relevantes, ii) No se consideraron los
yi N θ; σ2 þ τ2 (2)
estudios no escritos en idioma inglés. , iii) Aunque algunos trabajos sobre evaluación de la i

pobreza energética se originaron después de la década de 1990, nuestro estudio excluye

oryi ¼ θ þ μi þ εidondeμi N 0; τ2 ; εi N 0; σ2 yo (3)
cualquier publicación publicada antes del año 2000, iv) Si los estudios identificados en la
primera fase de la investigación discuten el concepto, la definición y la importancia de la
donde τ 2
es la varianza de los datos. El tamaño del efecto resumido es el promedio
pobreza energética o desarrollan algunos No se incluyeron medidas que miden la pobreza
ponderado de los tamaños del efecto observados. La variabilidad en el tamaño del efecto real
energética pero que no miden el recuento de pobreza energética. v) Nuestro estudio no ha
entre los estudios da como resultado, además, una variación en el tamaño del efecto observado.
incluido la investigación si no es relevante para el campo de la energía, la economía y las
a la variabilidad del muestreo. Las ponderaciones asignadas a cada tamaño del efecto
ciencias sociales, es decir, se inclina más hacia la ingeniería del acceso a la energía en
observado equivalen a la inversa de su varianza más el componente de varianza adicional
términos de intensidad energética, eficiencia energética y enfoques de eficiencia del sistema
que explica la heterogeneidad (Nikolakopoulou et al., 2014) reflejada como;
eléctrico. para discutir la pobreza y las privaciones energéticas. vi) No se incluyen en el
análisis los estudios que han utilizado como término pobreza energética, vii)
1 1
wi ¼ 2
wi ¼ 2
(4)
No se incluyen los estudios que sólo proporcionan un debate sobre las ideas de pobreza 2 2
ðseðbθi Þ þ bτ Þ ðseðbθi Þ þ bτ Þ
energética y pobreza energética. viii) Los estudios que han utilizado ciertos indicadores para
medir la pobreza energética, como techos y paredes amortiguados, eficiencia energética de El modelo de metanálisis de efectos aleatorios asigna ponderaciones relativas más
las casas, enfoque de bajos ingresos y alto costo (utilizado principalmente para abordar la equilibradas a los tamaños del efecto estimados en comparación con otros métodos
pobreza energética en las economías avanzadas) no se consideraron relevantes para nuestra metanálisis. El modelo prueba la hipótesis nula de que el tamaño medio del efecto es cero
pregunta de investigación. En la Tabla 1 se presentan los estudios identificados que utilizan frente a la alternativa de que el efecto medio no es igual a cero (Kelley y Kelley, 2012). El
cuatro motores de búsqueda para la investigación bibliográfica en el área de las ciencias tamaño medio del efecto se puede estimar como;
sociales y la economía. Cuatro regiones identificadas a partir de los estudios seleccionados
incluyen África subsahariana, África del Norte y Asia occidental, Asia meridional y sudoriental ð PwiðbθÞÞ
θDL¼ _ (5)
y América Latina. América y el Caribe. En la Tabla 2 se ofrece un breve resumen de los pwi

estudios identificados para el metanálisis y en la Tabla 3 se muestra la clasificación de los

1
estudios y estimaciones basadas en regiones. La región de África del Norte y Asia Occidental y;s:efbθDLg ¼ wi p ffiffiffiffiffiffiffiffiffiffi ffi

(6)
PAG
fue excluida del análisis después del refinamiento de los datos debido a un número insuficiente
de observaciones. La naturaleza del metanálisis actual es diferente de otros, ya que todos los estudios
sobre medición de la pobreza energética informan únicamente el porcentaje de hogares
pobres desde el punto de vista energético. El error estándar para estos tamaños de efecto no
se estima ni se informa en la literatura. Por lo tanto, para analizar los coeficientes de pobreza
Cuadro energética estimados y evaluar su tamaño medio del efecto, el metanálisis correlacional es

3 Dispersión regional de las estimaciones de estudios seleccionados. el más adecuado (Borenstein et al., 2011). La varianza y el error estándar de la estimación
de la pobreza energética de cada estudio bajo este enfoque se pueden obtener utilizando el
Región Sr. Total Número de Número Número
Número de Estudios refinado de refinado de
tamaño de muestra respectivo de la siguiente manera;
Estimados estimaciones estudios.

1 Subsahariano 85 dieciséis 64 13 1r2 _

África Vr ¼
yo 2
(7)
2 Norte de África/ 03 02 03 02* ni 1
Asia occidental

3 sur y 35 dieciséis 32 14þ Donde 'Vri ' es la varianza del coeficiente medido del estudio. 'ni' corresponde al tamaño de
Sureste la muestra de cada estudio y 'ri' es el tamaño del efecto obtenido de cada estudio. Los valores
Asia
del tamaño del efecto y su varianza se transformaron aún más en la escala z de Fisher.
4 América Latina 09 03 07 02
Todos los análisis se pueden realizar utilizando los valores transformados y luego los
y
caribe resultados del metanálisis de los valores de la escala z se pueden convertir nuevamente al
Total 133 37 106 30 tamaño del efecto estimado real para fines de presentación. La transformada Z de Fisher se

*(excluido del análisis final). þ(un estudio es igual en las regiones 1 y 3. En el análisis se puede realizar mediante el siguiente método (Borenstein

utilizan estimaciones de diferentes países).

4
Machine Translated by Google
ARKANSAS. Qurat­ul­Ann y FM Mirza
et al., 2011), (Hunter y Schmidt, 2004);
zi ¼ 0:5 ln 1 1þ ri ri
La varianza de z se calcula como;
1 2
Vzi ¼
ni 3
Mientras que el error estándar de zi se refleja como;
ffiffiffiffiffiffi
SEzi ¼ Vzip _
El valor de puntuación z de Fisher y su varianza se utilizan para calcular el efecto
resumen, los límites de confianza y otras medidas asociadas. Los tamaños de los efectos
se pueden obtener a partir del valor z utilizando la siguiente expresión;
e2zi 1
Tamaño del efecto
¼ e2zi þ 1
2.3. Análisis de heterogeneidad
Los sesgos de heterogeneidad se evalúan con la ayuda de una herramienta visual
como el gráfico en embudo, que es de naturaleza más subjetiva y puede no proporcionar
resultados definitivos. Por lo tanto, este estudio ha empleado pruebas de sesgo adicionales
para examinar la existencia de heterogeneidad en las estimaciones de la muestra (Higgins
y Green, 2011). En ausencia de sesgo de heterogeneidad, las estimaciones de los tamaños
del efecto de la pobreza energética y sus errores estándar no deberían estar correlacionados
(Stanley, 2005).
EPij ¼ β0 þ β1:SE EPij þ εij
EPij y SEðEPijÞ son las estimaciones i­ésimas de la estimación de pobreza energética y los
errores estándar en el estudio j. La prueba de heterogeneidad de Egger es una prueba de
asimetría del gráfico en embudo y se basa en una prueba t bilateral de la hipótesis nula de
pendiente cero en una regresión lineal de 'θ' contra SEðθÞ, ponderada por 1=varðθÞ (Egger
et al., 1997). Este proceso es equivalente a la prueba t bilateral de la hipótesis nula de
intersección cero en una regresión lineal no ponderada (Harbord et al., 2009), (Higgins y
Thompson, 2004).
2.4. Metarregresión
La metarregresión investiga hasta qué punto la heterogeneidad estadística entre los
resultados de múltiples estudios puede estar relacionada con una o más características del
estudio. Generalmente no se recomienda la metarregresión de efectos fijos, ya que supone
que toda la heterogeneidad puede explicarse mediante covariables y conduce a un error de
tipo I en presencia de heterogeneidad inexplicable (Higgins y Thompson, 2004) en (Harbord
y Higgins, 2008). Por el contrario, la metarregresión de efectos aleatorios permite dicha
heterogeneidad residual (entre la varianza del estudio no explicada por las covariables)
bajo el supuesto de que los efectos verdaderos siguen una distribución normal alrededor de
un predictor lineal (Harbord y Higgins, 2008), (Ver ­hagen y Ferreira, 2014).
yi θi N θi; σ2yo donde; θi N xiβ; τ2 y; yi N xiβ; σ2
o representado en funciones de densidad del kernel en la Fig. 2. Todas las distribuciones no
yi ¼ xiβ þ μi þ εi donde; μi N 0; τ2 ; y; εi N 0; σ2
Los tipos de modelos de metarregresión de efectos aleatorios difieren en la estimación
de la varianza τ2 entre los estudios. El enfoque del método de momentos en la metarregresión
de efectos aleatorios es la generalización del método originalmente propuesto por
DerSimonian y Laird y utiliza el método de momentos para estimar el componente de
varianza aditivo (entre estudios) τ2 (Har­bord y Higgins, 2008). Es el método no iterativo
más común con ventajas en cuanto a facilidad de estimación y robustez. La estimación de
τ2 con probabilidad máxima restringida (REML) se basa en la maximización
Política Energética 141 (2020) 111444
de probabilidad logarítmica residual (o restringida). I­cuadrado mide la proporción de
variación residual debido a la heterogeneidad (Harbord y Higgins, 2008), (Kelley y Kelley,
(8) 2012). El R cuadrado ajustado, conocido como la proporción ajustada de la varianza entre
estudios explicada por las covariables, se expresa como;
bτ
(9) 0 bτ 2
R2
¼
(15)
adj. bτ
2
0
Donde bτ2 es la estimación de la varianza entre estudios en el modelo con covariables y bτ2
(10) refleja la estimación de la varianza entre estudios
0
sin covariables.
El tamaño del efecto extraído de cada estudio se retrocede según las características
idiosincrásicas de los estudios para explicar la magnitud y el signo de los efectos estimados.
Un modelo de metarregresión explica hallazgos heterogéneos entre modelos (Stanley y
Jarrell, 2005).
(11) 0
γi ¼ α þ XL βj Zij þ εiwhereði ¼ 1; 2; ::::::::; nÞ;ðj ¼ 1; 2; :::::; LÞ (dieciséis)
j¼1
0
donde, γ i es el coeficiente estimado informado de β en un estudio en una literatura
compuesta por 'n' estudios, α es el valor real de la pobreza energética, Zij presenta el vector
de variables moderadoras metaindependientes que representan características relevantes
del estudio (región de estudio, metodología de investigación). empleadas, número de
dimensiones, número de citas y factor de impacto de la revista), 'βj' muestra el efecto
introducido por ciertas características del estudio que reflejan el efecto del sesgo en las
características de un estudio en particular, mientras que εi refleja el término de error de
metarregresión (Stanley y Jarrell, 2005).
(12)
3. Resultados y discusión
3.1. Funciones de densidad de las estimaciones de pobreza energética
La visualización de la distribución puede potencialmente proporcionar una mejor
comprensión de los datos y el comportamiento de la variable del tamaño del efecto en
nuestra muestra. El diagrama de dispersión en el panel (a) de la Fig. 1 muestra el número
de estudios realizados cada año sobre pobreza energética. Se observa que la mayor parte
de los trabajos de inauguración se realizaron en 2012, 2013 y 2019.
(b) Función de densidad kernel de las estimaciones de pobreza energética
Una función de densidad del núcleo comparada con la función de densidad normal de
las estimaciones generales del estudio en el panel (b) de la Fig. 1 proporciona información
estructurada sobre la distribución del conjunto de datos. Los datos no siguen la distribución
normal, sino que muestran una asimetría en el lado derecho, lo que indica que el valor
medio de la distribución real es mayor que el valor medio, si la distribución hubiera sido
normal. También sugiere cierto grado de heterogeneidad en las estimaciones del efecto de
la pobreza energética en los estudios utilizados en el metanálisis. Sólo unas pocas de las
economías en desarrollo están experimentando bajos niveles de pobreza energética y la
mayoría de los países han registrado una pobreza energética de más del 50 por ciento.
i þ τ2 (13)
La distribución de los datos de la muestra divididos en subgrupos también se ha
siguen la distribución normal estándar, sino que muestran una asimetría del lado derecho
yo (14) en los paneles 'a' y 'd', lo que indica que El valor medio de la distribución real es mayor que
el valor medio, si la distribución hubiera sido normal. Se observa cierto grado de variación
en las distribuciones en las estimaciones del efecto de la pobreza energética de cada
subgrupo regional y subgrupo metodológico. La asimetría hacia la izquierda en el panel 'c',
mientras que más de un valor medio de distribución en los paneles 'b' y 'e' implica variación
en los tamaños del efecto del estudio y sus valores medios.
El análisis de las distribuciones regionales de las estimaciones de pobreza energética
muestra una desviación de los datos de la distribución normal para los países subsaharianos.
5
Machine Translated by Google
ARKANSAS. Qurat­ul­Ann y FM Mirza
Fig. 1. (a) Diagrama de dispersión del año de publicación y estimación de pobreza energética.
África y América Latina y el Caribe, mientras que los tamaños del efecto en las regiones
del sur y sudeste asiático están cerca de la distribución normal. El subgrupo de
metodología de enfoque multidimensional también indica una distribución
aproximadamente normal en las estimaciones del tamaño del efecto.
3.2. Metanálisis de efectos aleatorios
El efecto resumen de la pobreza energética del modelo de efectos aleatorios se
considera como una estimación del promedio de un conjunto de posibles efectos en
diferentes entornos. Según el modelo de efectos aleatorios, la distribución completa de
los posibles efectos es importante que solo el efecto promedio o medio. El modelo de
efectos aleatorios proporciona una varianza mayor e intervalos de confianza más
amplios, lo que infiere incertidumbre sobre la estimación de la media (Harbord y Higgins,
2008). El tamaño del efecto de la pobreza energética combinado de los estudios de
muestra generales muestra que, en promedio, el 71,1 por ciento de la población de la
muestra se encuentra por debajo de alguna línea de pobreza energética específica en
las economías en desarrollo (Tabla 4).
El intervalo de confianza de la estimación general agrupada de pobreza energética
está entre 65,4 por ciento y 76,9 por ciento. Tau­cuadrado es la varianza de los
tamaños reales del efecto y su valor real no puede ser menor que '0'.
Debido al error de muestreo, la estimación de τ2 solo puede ser inferior a 0 si la varianza
observada es menor que el valor que el investigador espera según el error dentro del
estudio. El valor de la estadística I­cuadrado (estimación de la variabilidad no
contabilizada atribuible a la heterogeneidad residual) sugiere que existe una fuerte
heterogeneidad entre las estimaciones; por lo tanto, no es plausible generalizar los
resultados del metanálisis sin una mayor comprensión de las causas de la heterogeneidad
(Ver columna 5, Tabla 4).
Las columnas 7 y 8 de la Tabla 4 describen los resultados para la hipótesis nula de
ES = 0, donde los valores de P inferiores a 0,05 muestran que los tamaños del efecto
en cada metanálisis no son iguales a cero y los valores del tamaño del efecto son
estadísticamente significativos. Los tamaños generales del efecto de la muestra se han
clasificado por región del país de estudio y tipo de metodología para estimar la pobreza
energética para el análisis de subgrupos. El metanálisis de estudios para la región de
África subsahariana muestra que, en promedio, el 81,3 por ciento de la población es
pobre en energía, pero el valor I cuadrado del 100 por ciento sugiere una fuerte
heterogeneidad en estas estimaciones del tamaño
del efecto. Se encontró que el 57,3 por ciento de la población en los estudios de
muestra de la región del sur y sudeste de Asia era pobre en energía. La estimación
resumida del efecto presentada en el Cuadro 4 para la región de América Latina y el
Caribe muestra que, en promedio, el 51,8 por ciento de la población en la región de
muestra es pobre en energía (ver Figura A.1, A.2, A.3 en el Apéndice A para los
bosques). gráficos de subgrupos regionales de África subsahariana, sur y sudeste de
Asia y América Latina y el Caribe).
El metanálisis de subgrupos por metodología sugiere que los estudios basados en
un enfoque de pobreza energética multidimensional encontraron que el 76,3 por ciento
de la población era pobre energéticamente. Este mayor porcentaje se puede atribuir a
6
Política Energética 141 (2020) 111444
uso de múltiples dimensiones para la evaluación de la pobreza energética. Los resultados
de estudios que utilizan técnicas de medición uni/bidimensionales sugieren que, en
promedio, el 48,6 por ciento de la población es pobre energéticamente (Tabla 4). Esto
implica que los enfoques unidimensionales y bidimensionales tienden en general a
subestimar la pobreza energética en las economías en desarrollo.
Además, también encontramos heterogeneidad en los tamaños del efecto dentro de
cada subgrupo, como lo muestra un valor mayor de I­cuadrado en la Tabla 4.
El metanálisis de los estudios de pobreza energética requiere que se genere un
diagrama de bosque de las estimaciones del efecto de la pobreza energética a partir de
estudios de muestra. El diagrama de bosque es una representación gráfica de los
resultados del metanálisis y se considera una herramienta válida y útil para revisar e
interpretar instantáneamente la evidencia (Verhagen y Ferreira, 2014). Debido al gran
tamaño de la imagen del terreno forestal para la muestra general, no se pudo incluir.
Los diagramas de bosque para los subgrupos se presentan en el Apéndice A (figuras;
A.1, A.2, A.3, A.4 y A.5) que representan respectivamente la región de África
subsahariana y la región de Asia meridional y sudoriental. , región de América Latina y
el Caribe, enfoque uni/bidimensional para medir la pobreza energética y subgrupo de
estudios que emplean enfoques multidimensionales de medición de la pobreza
energética. La representación gráfica de los resultados del metanálisis regional se
especifica en la Fig. 3. La primera columna del diagrama de bosque muestra los nombres
de los subgrupos de la región. 'ES' es el tamaño del efecto para cada subgrupo calculado
mediante un metanálisis de efectos aleatorios y cada fila representa los resultados de
un único subgrupo regional.
La última columna muestra el peso asignado a cada región en el metanálisis
general, enfatizando la influencia de los estudios de cada subgrupo en los resultados
generales. Los resultados presentan una estimación agrupada de pobreza energética
del 81 por ciento en la región de África subsahariana con un intervalo de confianza
relativamente más pequeño. La estimación conjunta de la pobreza energética para la
región del sur y sudeste asiático es del 57 por ciento, con un intervalo de confianza del
49 por ciento al 66 por ciento. La ubicación del símbolo del diamante en el gráfico del
bosque representa el valor de la estimación de la pobreza energética para la región
respectiva, mientras que el ancho del diamante muestra el intervalo de confianza del 95
por ciento en el que se encuentra el valor del verdadero tamaño del efecto.
Los valores de p representan los niveles de significación estadística de los resultados
del metanálisis (Harbord y Higgins, 2008), (Hak et al., 2016).
De manera similar, la estimación conjunta de pobreza energética para la región de
América Latina y el Caribe es del 52 por ciento con un intervalo de confianza más amplio
del 31 por ciento al 73 por ciento. Los intervalos predictivos que se dan al final de cada
resultado de subgrupo muestran la estimación de un intervalo en el que una observación
futura caerá con una cierta probabilidad, dado lo que ya se ha observado (Guddat et al.,
2012) y representan el rango predicho para el tamaño del efecto verdadero en un nuevo
estudio que expresa la dispersión de los tamaños del efecto verdadero. Este intervalo
se refleja con líneas que se extienden desde los diamantes en el diagrama del bosque.
Permite inferir estudios no incluidos en el metanálisis, mientras que los intervalos de
confianza representan incertidumbre sobre la estimación de la media. Se muestra el
efecto resumido general.
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Fig. 2. Funciones de densidad de kernel basadas en estimaciones de pobreza energética.

Tabla 4

Método DerSimonian­Laird de metanálisis de efectos aleatorios de momentos.

Energía agrupada Número de CI Límite IC inferior I­cuadrado Tau­ Z­ prueba de Valor p de Valor p de
Estimación de pobreza Estudios incluidos superior límite (en %) cuadrado valor ES¼0 una cola dos colas

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

En general 0,711 103 0,769 0,654 100 0,087 24.42 p < 0,05 0.00 0.00
Subgrupo: Región
Africa Sub­sahariana 0.813 64 0.823 0.803 100 0.002 164,8 p = 0,0 0.00 0.00
sur y sureste 0.573 32 0,66 0,49 100 0,059 13.37 p = 0,0 0.00 0.00
Asia
latinoamericano y 0.518 07 0,73 0,31 100 0.080 4.85 pag ¼ 0,0 0.00 0.00
caribe
Subgrupo: Metodología
Multidimensional ¼ 1 0.763 84 0,797 0,729 100 0.025 44.05 p = 0,0 0.00 0.00
Uni/ 0,486 19 0,598 0.373 100 0.063 8.44 p = 0,0 0.00 0.00
Bidimensional ¼ 0

7
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Fig. 3. Diagrama de bosque de estimaciones agrupadas de pobreza energética para subgrupos regionales.

con la línea de puntos roja en 0,71 (71 por ciento).

Los resultados del metanálisis realizado para la región de África subsahariana
por tipo de metodología utilizada en los estudios de muestra se presentan en el panel
(a) de la Fig. 4. Los resultados presentan una estimación agrupada de pobreza
energética del 84 por ciento en caso de estudios que implementaron metodología
multidimensional. Sin embargo, la estimación conjunta de la pobreza energética para
el subgrupo basada en evaluaciones uni/bidimensionales de la pobreza energética es
del 60 por ciento con un intervalo de confianza relativamente más amplio del 48 por
ciento al 72 por ciento. Los intervalos predictivos se dan como valores entre paréntesis
debajo del intervalo de confianza (Harbord et al., 2009). La estadística I­cuadrado
representa la heterogeneidad entre estudios y se considera una prueba confiable y
preferible para la heterogeneidad (Higgins et al., 2003). El efecto resumido general se
muestra con la línea de puntos roja en 0,81 (81 por ciento).

El panel (b) de la figura 4 muestra el resultado gráfico del metanálisis realizado

para la región del sur y sudeste asiático por tipo de metodología utilizada en los
estudios de muestra. La primera columna muestra la lista de subgrupos por
metodología para los estudios realizados en las economías en desarrollo de esta
región. La última columna muestra la influencia (peso) de los estudios de cada
subgrupo en los resultados generales. Los resultados presentan una estimación
conjunta de la pobreza energética del 65 por ciento en el caso de estudios basados
en metodologías multidimensionales. La estimación conjunta de la pobreza energética
para el subgrupo basada en evaluaciones uni/bidimensionales de la pobreza energética
es del 43 por ciento con un intervalo de confianza relativamente más amplio del 28
por ciento al 58 por ciento. Esto podría deberse a un número relativamente menor de
estudios en este subgrupo. Los intervalos predictivos para este subgrupo son
relativamente más amplios en comparación con los resultados del panel (a). La
estadística I­cuadrado confirma la existencia de heterogeneidad entre los estudios. La
línea de puntos roja en 0,57 muestra la estimación general del efecto resumido.
El panel (c) de la figura 4 analiza los resultados del metanálisis para la región de
América Latina y el Caribe por tipo de metodología utilizada. Se obtiene una estimación
conjunta de la pobreza energética del 56 por ciento para estudios basados en Fig. 4. Parcelas forestales de subgrupos de regiones por metodología.
metodologías multidimensionales con intervalos de confianza y predictivos
relativamente mayores, mientras que la estimación conjunta de la pobreza energética Los estudios basados en metodología son del 76 por ciento con un pequeño intervalo
para el subgrupo basada en evaluaciones uni/bidimensionales de la pobreza energética de confianza del 73 por ciento al 80 por ciento y un intervalo predictivo de 0,45 a 1,08.
es del 29 por ciento con un intervalo de confianza insignificante. . Los intervalos También se presentan los valores del estadístico I­cuadrado para cada subgrupo que
predictivos para este subgrupo no se calculan. El valor estadístico I­cuadrado confirma confirman la existencia de heterogeneidad entre estudios.
la existencia de heterogeneidad entre los estudios. El efecto resumido general se La primera columna de los diagramas de bosque en los paneles 'a' y 'b' de la Fig.
muestra con la línea de puntos roja en 0,52 (52 por ciento). 6 muestran los subgrupos por región para estudios que utilizan metodología uni/
Los resultados del metanálisis para la muestra general agrupada según la bidimensional y metodología multidimensional, respectivamente. Tamaño del efecto
metodología utilizada en los estudios de muestra se muestran en la Fig. 5. La para cada subgrupo calculado a través de un metanálisis de efectos aleatorios con
estimación de pobreza energética combinada estimada es del 49 por ciento para una estimación conjunta de la pobreza energética del 43 por ciento para el sur y
estudios de pobreza energética uni/bidimensionales con un intervalo de confianza sudeste de Asia y del 60 por ciento para África subsahariana en el caso de estudios
relativamente mayor, mientras que, estimación combinada de pobreza energética para multidimensionales
basados en metodologías uni/bidimensionales con un intervalo de confianza grande. . Energía agru

8
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

La estimación de la pobreza para la región de América Latina y el Caribe basada en

evaluaciones unidimensionales o bidimensionales de la pobreza energética es del 29 por
ciento con un intervalo de confianza muy pequeño (Panel a, figura 6).
La estimación general de la pobreza energética es del 65 por ciento en el sur y
sudeste de Asia; 84 por ciento para África subsahariana y 56 por ciento para la región
de América Latina y el Caribe según evaluaciones monodimensionales o bidimensionales
de pobreza energética. Los intervalos de confianza para las estimaciones del sur y
sudeste de Asia y la región de América Latina y el Caribe son razonables, excepto para
la región de África subsahariana (Panel b, Fig. 6).

4. Análisis de heterogeneidad

Para la muestra general de los estudios, se realizó una confirmación adicional de la

Fig. 5. Diagrama de bosque de efectos resumidos de estudios en subgrupos según Metodología.
presencia de heterogeneidad mediante la prueba de Egger con un nivel de confianza del
95 por ciento. La prueba de Egger estima una regresión lineal del tamaño del efecto
normalizado frente a su precisión (recíproca del error estándar de la estimación). Los
resultados de la Tabla 5 resaltan que la pendiente de la línea de regresión de Egger y el
sesgo son significativamente diferentes de cero, por lo tanto, la hipótesis nula de que los
efectos del estudio no son pequeños (existe simetría en el gráfico en embudo) no se
pudo aceptar con un nivel de significancia del 5 %.
Los resultados de la regresión de Egger para estimar el sesgo en los subgrupos
sugieren que existe heterogeneidad en las estimaciones de coeficientes para la región
de África subsahariana, la región de Asia meridional y sudoriental y la región de América
Latina y el Caribe. La evidencia es suficiente para rechazar H0, por lo tanto, concluimos
que existe sesgo de publicación en los estudios de muestra (Tabla 5).
También observamos sesgo de publicación en los estudios incluidos en el
metanálisis para África subsahariana, el sur y sudeste de Asia y América Latina y el
Caribe. Los resultados de la regresión de Egger para estimar la heterogeneidad de los
subgrupos con base en la variable metodológica confirman que existe heterogeneidad
en las estimaciones de los coeficientes para ambos subgrupos (metodología uni/
bidimensional y metodología multidimensional), ya que la evidencia es suficiente para
rechazar H0, a favor de la hipótesis alternativa. para la existencia de heterogeneidad
(Tabla 5). La raíz del error cuadrático medio en cada regresión muestra una desviación
estándar más pequeña de los residuos. El valor de p correspondiente a la hipótesis nula
es inferior a 0,05 en cada caso y sugiere que existen efectos de estudio pequeños, ya
que la hipótesis nula se rechaza a favor de la alternativa de efectos de estudio no
pequeños. Los gráficos asociados junto con la regresión de Egger son los diagramas de
Galbraith (ver Fig. 7), que se refieren a los diagramas de dispersión de estimaciones
estandarizadas frente a la precisión de los tamaños del efecto que evalúan el grado de
heterogeneidad entre los estudios y cada estudio está representado por un solo punto.
El valor de precisión en el eje horizontal se refiere al recíproco del error estándar para
cada valor, mientras que la distribución normal estándar del tamaño del efecto se refleja
en el eje y (puntuaciones z calculadas dividiendo la estimación del efecto por su error
estándar. Estudios más amplios , con errores estándar más pequeños y valores grandes
del recíproco del error estándar de la estimación (SE) se observan agregados lejos del
origen.

La asociación entre las variables en la prueba de Egger se encuentra cuando el

intervalo de confianza del 95% para la constante en el modelo de regresión (línea
vertical al inicio de cada gráfico) no incluye cero (Fig. 7).
La pendiente de la línea de regresión en el gráfico de Galbraith corresponde al efecto
resumen o al tamaño del efecto si no hay sesgo. La prueba de efectos de estudios
pequeños se lleva a cabo inspeccionando el intervalo de confianza del 95 por ciento para
el intercepto. Si esta línea cruza cero, no hay efectos de estudio pequeños.
Los gráficos de Galbraith en la Fig. 7 no contienen ninguna evidencia de la ausencia de
pequeños efectos de estudio y las líneas verticales al comienzo de cada gráfico no
cruzan el cero (Mavridis y Salanti, 2014).

5. Análisis de metarregresión

Se pueden extraer inferencias de estudios y resultados de estudios heterogéneos

pero lógicamente relacionados con la ayuda del análisis de metarregresión (DerSimonian

Fig. 6. Diagramas de bosque de efectos resumidos en subgrupo de metodología por región.

y Laird, 1983) para explicar la heterogeneidad entre los tamaños del efecto. Los tamaños
del efecto de la pobreza energética extraídos de cada estudio en el metanálisis de
subgrupos se realizaron una regresión en las variables moderadoras (región del estudio,
tipo de metodología de investigación utilizada, número de

9
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Tabla 5

Prueba de heterogeneidad de Egger para efectos de estudios pequeños.

Sr.# Pendiente Inclinación

valor p Obs. H0: No hay efectos de estudios pequeños Existe RMSE
heterogeneidad

1 muestra general 12,66*(­5,75){2,20} 0,783*(33,21){0,024} [0,739, 0.000 103 Rechazado a favor de la Sí 0,2003
[­17,03, 8,29] 0,833] hipótesis alternativa.
Subgrupo: Región
2 África subsahariana 15,45* (6,92) {2,23} 0,879* (41,12) 0.00 64 Rechazado a favor de la Sí 0,1454
{0,021} alternativa
3 Sur y Sudeste 6,041 (1,91) 0,6196* (14,57) 0.00 32 Rechazado a favor de la Sí 0,1955
Asia {3,170} {0,043} hipótesis alternativa.
4 América Latina y 49,99 (2,13) 0,791* (5,33) 0.003 7 Rechazado a favor de la Sí 0,1969
caribe {23,46} {0,148} hipótesis alternativa.
Subgrupo: Tipo de Metodología
5 Multidimensional ¼ 1 20,26* (7,41) [2,73] 0,854* (40,81) {0,021} 0,508* 0.00 84 Rechazado a favor de la Sí 0,1542
(7,40) alternativa
6 Uni/Bidimensional ¼ 0 1,91 (0,53) {0,069} 0.00 19 Rechazado a favor de la Sí 0,2325
{3,58} alternativa

H1: Existe heterogeneidad (existen efectos de estudios pequeños); valores t entre paréntesis (), errores estándar entre paréntesis {}; El signo '*' con los coeficientes muestra que los valores son significativos al nivel del 5%. (Nivel de
confianza ¼ 95%). intervalo de confianza entre corchetes [] en la fila 1.

citas, año de publicación, número de dimensiones utilizadas y factor de impacto,
precios internacionales del petróleo y PIB per cápita) para explicar su impacto en la
pobreza energética para determinar las causas de la heterogeneidad entre estudios y
estimaciones. Los detalles y las estadísticas resumidas de las variables utilizadas en
el análisis de metarregresión se presentan en la Tabla 6.
La medida de pobreza energética se refiere al porcentaje de población pobre
energéticamente medido en cada estudio seleccionado. Región de estudio se refiere
a la región del estudio según la clasificación de regiones del mundo del Banco Mundial.
Inicialmente se identificaron cuatro regiones, pero solo se utilizaron tres regiones en
el análisis de subgrupos porque el número de estudios seleccionados sobre pobreza
energética en la región del norte de África y Asia occidental fue insuficiente para llevar
a cabo un metanálisis. El tipo de metodología de investigación se refiere al enfoque
utilizado para medir la pobreza energética clasificándola entre uni/bidimensional o
multidimensional.
La variable moderadora del número de citas representa la cantidad de veces que el
estudio ha sido citado en otras investigaciones. El número de dimensiones utilizadas
en los estudios para medir la pobreza energética también es una variable importante
para evaluar la heterogeneidad entre los tamaños del efecto.
Posteriormente, esta covariable se eliminó de las regresiones debido a su impacto
insignificante en la heterogeneidad de los tamaños del efecto de la pobreza energética
en diferentes especificaciones empíricas.
El factor de impacto de la revista en la que se publicó el estudio también se
encuentra entre las covariables que reflejan el impacto científico de este estudio en la
investigación futura. Además, el precio promedio anual del petróleo crudo y el PIB per
cápita en PPA se han incorporado como covariables para observar el impacto de
factores externos en las estimaciones del efecto de la pobreza energética. Se ha
empleado una metarregresión basada en el método de momentos para estimar los
modelos (1), (3), (5) y (7), respectivamente. Para el análisis de robustez y sensibilidad,
se ha empleado un enfoque restringido de máxima verosimilitud para la metarregresión
para los modelos (2), (4), (6) y (8).
El análisis de metarregresión bajo el enfoque del método de momentos (columna
1, Tabla 7) proporciona evidencia de que el tipo de metodología, el número de citas, el
PIB per cápita en PPA y las variables ficticias regionales explican significativamente la
heterogeneidad entre los tamaños del efecto de la pobreza energética entre los
estudios en 1 nivel porcentual de significancia. Mientras que el factor de impacto de la
revista y el precio promedio anual del petróleo crudo no explican significativamente la
heterogeneidad en los estudios de muestra generales. Los resultados para el modelo
general se han mantenido robustos al cambio en la metodología de estimación ya
que los coeficientes de las covariables y su significancia estadística con el enfoque de
máxima verosimilitud restringida han proporcionado resultados similares a los
obtenidos con el método de los momentos. Los resultados para la región de África
subsahariana varían ligeramente con respecto a los modelos para la muestra general.
Según el enfoque del método de momentos en la columna 3 de la Tabla 7, el tipo de
metodología, el factor de impacto, el precio promedio anual del petróleo crudo y el PIB
per cápita y el año de publicación resultan ser estadísticamente
variables significativas. En contraste, los resultados de la metarregresión bajo el
enfoque restringido de máxima verosimilitud (columna 4, Tabla 7) muestran que las
covariables del factor de impacto y del precio promedio anual del petróleo crudo
explican de manera insignificante la heterogeneidad en las estimaciones del efecto.
Sin embargo, el modelo para la región del sur y sudeste asiático según el método de
metarregresión de momentos no es estadísticamente significativo (columna 5, Tabla
7). Ninguna covariable o característica del estudio es significativa para explicar la
heterogeneidad en las estimaciones del efecto de la pobreza energética en este
subgrupo, excepto el tipo de metodología utilizada para medir la variable de pobreza energética.
Todos los modelos de metarregresión en las columnas 1, 2, 3 y 4 de la Tabla 7
son conjuntamente significativos para explicar las causas de la heterogeneidad
evidente a partir de los valores de chi­cuadrado para las pruebas de significancia del
modelo. Los valores de R cuadrado ajustado en cada regresión muestran el porcentaje
de varianza entre estudios explicado por las covariables en el modelo. La varianza
entre estudios parece pequeña dado el valor de tau­cuadrado. La significancia general
del modelo se evalúa con el valor de chi­cuadrado del modelo. Las predicciones de los
modelos (1), (2), (3), (4), (7) y (8) son una mejora con respecto a la media ya que el
valor p es menor que el nivel de significancia de 0,05.
Los resultados de la metarregresión de subgrupos de la metodología
multidimensional (métodos de análisis de efectos aleatorios de momentos) muestran
que todas las covariables afectan significativamente la heterogeneidad en el tamaño
del efecto de la pobreza energética con un nivel de significancia del 1 por ciento,
excepto el factor de impacto, que es significativo con un nivel de significancia del 5 por
ciento (columna 7). , Cuadro 7). La metarregresión restringida de máxima verosimilitud
para este subgrupo (columna 8, Tabla 7) representa que la heterogeneidad en las
estimaciones del efecto de la pobreza energética se explica significativamente por las
citas, el PIB per cápita en PPA, el año de publicación y las covariables ficticias
regionales (subsaharianos). región, región del sur y sudeste de Asia) a un nivel de significancia del 1
Mientras que las covariables del factor de impacto y el precio promedio anual del
petróleo crudo también resultan estadísticamente insignificantes en esta regresión.
Todos los modelos de metarregresión tienen pruebas sólidas de heterogeneidad
en los tamaños del efecto de la muestra representados por el valor de I­cuadrado (el
porcentaje de variación residual debido a la heterogeneidad). Tau­cuadrado representa
la estimación de la varianza entre estudios en cada modelo. Todos los modelos
proporcionan un valor positivo de la varianza entre estudios.
El análisis sugiere que la medición de la pobreza energética en las economías en
desarrollo depende de algunas diferencias regionales y del tipo de metodología
utilizada para medir la pobreza energética. Este alto nivel de heterogeneidad puede
abordarse identificando dimensiones integrales y diseñando algunos criterios de
medición uniformes para evaluar la pobreza energética en las economías en desarrollo.
Además, los precios internacionales del petróleo y el PIB per cápita explican la mayor
parte de la heterogeneidad en las estimaciones de pobreza energética entre los
estudios, respectivamente.

10
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Fig. 7. Gráficos de Galbraith del tamaño del efecto.

6. Conclusión e implicaciones políticas y la solución aún requiere una visión global para obtener una estimación
resumida única, que este estudio se ha esforzado en proporcionar. Sin embargo,
El tema de la pobreza energética, aunque se aborda por separado en para evaluar la validez de esta estimación resumida, se requiere un análisis de
diversos foros utilizando diferentes técnicas, componentes, dimensiones y definiciones.heterogeneidad para evaluar el sesgo causado por diferentes estudios.

11
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Tabla 6 Después de una revisión empírica sistemática de la literatura, se obtiene la técnica del
Estadísticas resumen de las variables utilizadas en la metarregresión. metanálisis en nuestro estudio. El tamaño del efecto conjunto de la pobreza energética
Nombre de la variable No. Significar Estándar Mínimo máximo de 0,711 (el 71,1 por ciento de la población es pobre energéticamente) se ha identificado
de Desviación a partir de nuestros estudios de muestra sobre economías en desarrollo. Los resultados
obs. del análisis de subgrupos también muestran que la heterogeneidad es evidente entre
Pobreza energética 103 0,711 0.229 0,03 0,98 las estimaciones del efecto del estudio dentro de los subgrupos. Además, las causas de
medida las variaciones en el tamaño del efecto de la pobreza energética entre los estudios
103 1565783 96996 180 68200000
Tamaño de la muestra (HH)
existentes se identifican mediante un análisis de metarregresión. Las características de
Dimensiones 103 4.184 1.41 1 8
los estudios como las diferencias regionales y el tipo de metodología empleada, el
Número de 103 76,69 111,97 0 313
Citas factor de impacto de la revista, el año de publicación y el número de citas explican la
Factor de impacto del 103 3.87 3.54 0 10.56 heterogeneidad entre los tamaños del efecto de la pobreza energética en la muestra
estudio. general y en los subgrupos.
Promedio anual 103 4.28 0.305 3.25 4.59
La pobreza energética como área de estudio emergente necesita atención por parte
Precio del petróleo crudo

(USD/Barril)
de los investigadores para desarrollar un marco y una medida que aborde la
WTI*(en registro) heterogeneidad en las estimaciones de efectos hasta cierto punto, al menos en el nivel
Interno Bruto 103 8.09 0,752 6.41 9.71 de la metodología utilizada para medir los recuentos de pobreza energética en diferentes
producto per regiones en desarrollo de el mundo. Aunque el estudio ha reunido suficiente evidencia
cápita (t­1) (en disponible, todavía hay espacio para obtener más evidencia para tener una visión más
log)
Año de publicación 103 2014 2009 2019 informada del proceso de desarrollo de prácticas uniformes para evaluar la pobreza
energética en las economías en desarrollo para desarrollar medidas políticas específicas
*WTI­West Texas Intermediate* Consulte la tabla A1 en el Apéndice A para ver las definiciones de
relevantes para las situaciones nacionales. y características sociales y geográficas de
variables.
las economías.

características.
Declaración de intereses en competencia COI
La fuerte heterogeneidad posiblemente causada por las diferentes metodologías
utilizadas, los diversos tamaños de muestra y la variación en las características
Los autores declaran que no tienen intereses financieros en competencia ni
regionales (por ejemplo, las condiciones climáticas y geográficas que causan la privación
relaciones personales conocidas que pudieran haber influido en el trabajo presentado
de recursos energéticos) requirieron una evaluación empírica adicional. El estudio actual
en este artículo.
ha empleado la prueba de Egger en un metanálisis para medir el sesgo de
heterogeneidad en lugar de emplear una herramienta meramente gráfica de diagrama de embudo.
Declaración de contribución de autoría CRediT
La existencia de sesgo de heterogeneidad también propone un análisis de subgrupos
de la muestra que puede proporcionar una visión amplia de las causas.
Abre­Rehmat Qurat­ul­Ann: Conceptualización, Metodología, Software, Investigación,
Por lo tanto, el estudio dividió la muestra total en dos tipos de subgrupos según las
Análisis formal, Redacción ­ borrador original, Recursos. Faisal Mehmood Mirza:
regiones y el tipo de metodología utilizada para medir la pobreza energética en los
investigación, validación, supervisión, redacción: revisión y edición, recursos.
estudios de muestra. Tamaño del efecto general de la pobreza energética

Tabla 7

Resultados de la metarregresión de efectos aleatorios.

Muestra general Región del África subsahariana Región del sur y sudeste asiático Metodología Multidimensional

Mamá(1) REML(2) Mamá(3) REML(4) Mamá(5) REML(6) Mamá(7) REML(8)

Metodología 0,1950(3,71) 0,1946(4,37) 0,1527(9,68) 0,1792(2,51) 0,1899 0,1900(2,82)

*** *** *** * ***
(1,80)**
Citas 0,0009 0,0009 0,0007(7,34) 0,0008 0,0010 0,0010 0,0008(5,58) 0,0008
*** ***
(1,81)** (2,13)* (1,71)** (0,36) (0,57) (1,65)**
Factor de impacto 0,0120(0,92) 0,0119(1,07) 0,0090(3,09) 0,0097(0,74) 0,0164 0,0164(0,56) 0,0107(2,50)* 0,0102(0,73)
***
(0,36)
Precio medio anual del petróleo crudo (en 0.0845 0.0846 0,1149(6,80) 0.1028 0,0156 0.0157 0,0817(4,81) 0.0773
*** ***
logaritmo) (1,31) (1,54) (1,27) (0,09) (0,15) (1,32)
PIB per cápita, PPA a precios constantes 0,0845 0,0847 0.0967 0,0920 0,0128 0,0126(0,18) 0,1066 0,1066
de 2011 (en logaritmo) (3,01)*** (3,56)*** (16.05)*** (3,27)*** (0,12) (13,72)*** (3,99)***
Región del África subsahariana 0,2677(3,41) 0,2678(4,04) 0,2763(13,93) 0,2747(4,01)
*** *** *** ***

Región del sur y sudeste asiático 0,1539(1,87) 0,1536(2,21) 0,1759(8,28) 0,1837(2,50)

** * *** ***

Año de publicacion 0.0356 0.0354 0,0218(6,95) 0.0324 0.0496 0.0496 0,0333(9,15) 0.0364
*** ***
(3,02)*** (3,55)*** (2,24)* (1.26) (1,98)* (2,98)***
Constante 73,0784 72,7965 45,846(7,28) 67,001(2,30) 100.299 100,276 68,8411(9,40) 75,0413
*** * ***
(3.08)*** (3,62)*** (1.27) (1,99)* (3.05)*** 82
norte 101 101 62 62 32 32 82
R cuadrado ajustado 59,58 52,61 28.17 31.11 5.12 39,89 92,72 44.09
Tau­cuadrado 0.0353 0.0253 0.00106 0.0258 0.06161 0.0249 0.0018 0.0223
I­cuadrado residual 100 100 99,93 99,93 100 100 99,95 99,95
Modelo Chi­cuadrado 84,70 118.02 700.50 33.21 10,75 26,52 825.56 70.22
Prob > Chi­cuadrado 0.00 0.00 0.00 0.00 0.0963 0.0002 0.00 0.00

Nota: **p < 0,1; *p < 0,05; ***p < 0,01; * significativo al nivel del 5%, ** significativo al nivel del 10%, *** significativo al nivel del 1%; valores z entre paréntesis; MoM ¼ Método de metarregresión de efectos aleatorios
basado en momentos, REML ¼ Metarregresión restringida basada en método de máxima verosimilitud. Sin modificación Knapp­Hartung.
Las observaciones cayeron debido a una menor información variable sobre el PIB pc en PPA. Nota: Se ha eliminado la variable ficticia de la región de América Latina y el Caribe, variable dependiente (coeficiente de
pobreza energética).

12
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Apéndice A

Tabla A.1
Descripción de las variables de metarregresión

Variable Descripción

Medida de pobreza energética La proporción de personas que están por debajo de algún umbral de pobreza definido. El
Tamaño de la muestra (HH) tamaño de la muestra del estudio empleado.
Dimensiones Número de dimensiones utilizadas en el estudio para medir la pobreza energética.
Región Región a la que pertenece el estudio; 1 ¼ África subsahariana; 2 ¼ Asia del Norte y Occidental; 3 ¼ Asia meridional y sudoriental; 4 ¼ América Latina y
el Caribe El año de publicación
Año del estudio del estudio ¼ 1 si la pobreza energética
Metodología utilizada medida con enfoque multidimensional El número de veces que se cita el estudio
Número de citas según Google Scholar El factor de impacto de la revista en la que se publica
Factor de impacto del estudio. el estudio 1 ¼ si el El estudio se publica en alguna revista revisada por pares.
Publicado Producto interno bruto de cada país en paridad de poder adquisitivo en el
Producto Interno Bruto en PPA (Constante, 2011) año anterior, medido en dólares internacionales constantes de 2011.
Internacional $)
Precio promedio anual del petróleo crudo (USD/Barril) WTI Precio promedio anual del petróleo crudo medido en dólares estadounidenses por barril medido con base en los Estándares Internacionales del Oeste de Texas

A.2 Parcelas Forestales de Subgrupos

13
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Figura A.1. Estimaciones del efecto de la pobreza energética en la región de África subsahariana.

14
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Figura A.2. Estimaciones del efecto de la pobreza energética en la región del sur y sudeste de Asia.

15
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Figura A.3. Estimaciones del efecto de la pobreza energética en la región de América Latina y el Caribe.

dieciséis
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Figura A.4. Estimaciones del efecto de la pobreza energética en subgrupo (metodología uni/bidimensional).

17
Machine Translated by Google

ARKANSAS. Qurat­ul­Ann y FM Mirza Política Energética 141 (2020) 111444

Figura A.5. Estimaciones del efecto de la pobreza energética en subgrupo (Metodología multidimensional).

Referencias Naciones Unidas, 2010. Energía para un futuro sostenible: Informe resumido y
Recomendaciones. Obtenido de HIPERENLACE. http://www.un.org/wcm/webdav/site/climatechange/
shared/Documents/AGECCsummaryreport.pdf . http://www.un. org/wcm/webdav/site/climatechange/
Reddy, AKN, Annecke, W., Blok, K., Bloom, D., Boardman, B., Eberhard, A.,
shared/Documents/AGECCsummaryreport. pdf. http://www.un.org/wcm/webdav/site/climatechange/
Ramakrishna, J., 2000. Energía y cuestiones sociales. Evaluación de la energía mundial. 44 (5).
shared/Documents/AGECCsummaryreport.pdf _ (Nueva York).
Perspectivas Energéticas Mundiales, 2002. Energía y pobreza. Obtenido de la Agencia Internacional de
Energía, Osaka, Japón. Reporte técnico.
Bradshaw, J., Hutton, S., 1983. Opciones de política social y pobreza energética. J. Economía. Psicólogo. 3
Banco Asiático de Desarrollo, 2012. Evaluación del acceso a la energía (Punjab) Pakistán. Obtenido de. https://
(3–4), 249–266.
www.energynet.co.uk/webfm_send/1183.
Boardman, B., 1991. Pobreza energética: de hogares fríos a calor asequible. belhaven
Perspectivas Energéticas Mundiales, 2010. Pobreza energética: cómo lograr que el acceso a la energía
Prensa, Londres.
moderna sea universal. Obtenido de Agencia Internacional de Energía: Programa de las
Naciones Unidas para el Desarrollo, Organización de las Naciones Unidas para el Desarrollo
Industrial, París.

18
Machine Translated by Google
ARKANSAS. Qurat­ul­Ann y FM Mirza
Boardman, B., 2010. Liberalización y pobreza energética. En: Política energética y el fin del fundamentalismo de
mercado. Instituto Oxford de Estudios Energéticos, Oxford, Philip Wright, Reino Unido, págs. 255–280. Ian
Routledge.
Pachauri, S., van Ruijven, BJ, Nagai, Y., Riahi, K., van Vuuren, DP, Brew­
Hammond, A., Nakicenovic, N., 2013. Caminos para lograr el acceso universal de los hogares a la energía
moderna para 2030. Environ. Res. Letón. 8(2), 024015.
Hills, J., 2011. Pobreza energética: el problema y su medición. Informe provisional del
Revisión de la pobreza energética. CASE, LSE, Londres.
Parajuli, R., 2011. Acceso a la energía en la región del Medio Oeste de Nepal desde la perspectiva de la pobreza
energética. Renovar. Energía 36 (9), 2299–2304.
Pereira, MG, Freitas, MAV, Silva, NF, 2010. Electrificación rural y pobreza energética: evidencias empíricas de Brasil.
Renovar. Sostener. Energía Rev. 14 (4), 1229­1240.
AIE (Agencia Internacional de Energía), 2010. Pobreza energética: ¿cómo universalizar el acceso a la energía
moderna?. En: World Energy Outlook 2010. AIE, París.
Li, K., Lloyd, B., Liang, X.­J., Wei, Y.­M., 2014. Pobres en energía o pobres en combustible: ¿cuáles son las
diferencias? Pol. Energía. 68, 476–481. https://doi.org/10.1016/j. enpol.2013.11.012.
Pachauri, S., Spreng, D., 2004. Uso y acceso a la energía en relación con la pobreza. Economía.
Polit. Semanalmente. 271–278.
Sovacool, BK, Cooper, C., Bazilian, M., Johnson, K., Zoppo, D., Clarke, S., et al., 2012.
Lo que se mueve y funciona: ampliando la consideración de la pobreza energética. Pol. Energía. 42, 715–719.
Birol, F., 2007. Economía energética: ¿un lugar para la pobreza energética en la agenda? Energía J. 28
(3), 1. Cambridge, MA. Luego Cleveland, Ohio.
Pachauri, S., Mueller, A., Kemmler, A., Spreng, D., 2004. Sobre la medición de la pobreza energética en los hogares
indios. Desarrollo mundial. 32 (12), 2083–2104.
Bazilian, M., Nussbaumer, P., Cabraal, A., Centurelli, R., Detchon, R., Gielen, D., et al., 2010. Medición del acceso a
la energía: apoyo a un objetivo global, vol. 8. Instituto de la Tierra, Universidad de Columbia, Nueva York.
Onyeji, I., Bazilian, M., Nussbaumer, P., 2012. Contextualizando el acceso a la electricidad en el África subsahariana.
Sostenimiento energético. Desarrollo. 16 (4), 520–527.
Khandker, SR, Barnes, DF, Samad, HA, 2012a. ¿Los pobres en energía son también pobres en ingresos?
Pruebas de la India. Pol. Energía. 47, 1­12.
Barnes, DF, Khandker, SR, Samad, HA, 2011a. Pobreza energética en las zonas rurales de Bangladesh.
Pol. Energía. 39 (2), 894–904.
Nussbaumer, P., Bazilian, M., Modi, V., 2012a. Medir la pobreza energética: centrarse en lo que importa. Renovar.
Sostener. Energía Rev. 16 (1), 231–243.
Pachauri, S., Spreng, D., 2011. Medición y seguimiento de la pobreza energética. Pol. Energía. 39 (12), 7497–7504.
Crentsil, AO, Asuman, D., Fenny, AP, 2019a. Evaluación de los determinantes e impulsores de la pobreza energética
multidimensional en Ghana. Pol. Energía. 133, 110884. https://doi. org/10.1016/j.enpol.2019.110884.
Mendoza, CB, Cayonte, DDD, Leabres, MS, Manaligod, LRA, 2019a. Comprender la pobreza energética multidimensional
en Filipinas. Pol. Energía. 133, 110886. https://doi.org/10.1016/j.enpol.2019.110886.
Oum, S., 2019a. La pobreza energética en la República Democrática Popular Lao y sus impactos en la educación y la salud.
Pol. Energía. 132, 247–253. https://doi.org/10.1016/j.enpol.2019.05.030.
Sambodo, MT, Novandra, R., 2019a. El estado de la pobreza energética en Indonesia y su impacto en el bienestar.
Pol. Energía. 132, 113–121. https://doi.org/10.1016/j. enpol.2019.05.029.
Zhang, D., Li, J., Han, P., 2019a. Una medida multidimensional de la pobreza energética en China y sus impactos en
la salud: un estudio empírico basado en los estudios de panel de familias de China. Pol. Energía. 131, 72–
81. https://doi.org/10.1016/j.enpol.2019.04.037.
Phoumin, H., Kimura, F., 2019a. La pobreza energética de Camboya y sus efectos en el bienestar social: evidencia
empírica e implicaciones políticas. Pol. Energía. 132, 283–289. https://doi.org/10.1016/j.enpol.2019.05.032.
Sanusi, YA, Owoyele, GS, 2016a. La pobreza energética y sus diferencias espaciales en Nigeria:
invirtiendo la tendencia. Procedimiento energético 93, 53–60.
Nussbaumer, P., Nerini, F., Onyeji, I., Howells, M., 2013a. Perspectivas globales basadas en el índice de pobreza
energética multidimensional (MEPI). Sostenibilidad 5 (5), 2060­2076.
Awan, RU, Sher, F., Abbas, A., 2013a. Una investigación de la pobreza energética multidimensional en Pakistán.
Desarrollo de Pakistán. Rev. 405–418.
Sadath, AC, Acharya, RH, 2017a. Evaluación del alcance y la intensidad de la pobreza energética utilizando el índice
de pobreza energética multidimensional: evidencia empírica de hogares en la India. Pol. Energía. 102, 540–550.
Bersisa, M., 2017a. Medida multidimensional de la pobreza energética de los hogares y sus
determinantes en Etiopía 1. En: Transformación económica para la reducción de la pobreza en África. Routledge,
págs. 58–83.
Khanna, RA, Li, Y., Mhaisalkar, S., Kumar, M., Liang, LJ, 2019. Índice integral de pobreza energética: medición de la
pobreza energética e identificación de soluciones a nivel micro en el sur y sudeste de Asia. Pol. Energía. 132,
379–391. https://doi.org/10.1016/j. enpol.2019.05.034.
Tchereni, BHM, Grobler, W., Dunga, SH, 2013a. Análisis económico de la pobreza energética
en el sur de Lunzu, Malawi. Economía. Anal. 4 (4).
Day, R., Walker, G., Simcock, N., 2016. Conceptualización del uso de la energía y la pobreza energética
utilizando un marco de capacidades. Pol. Energía. 93, 255–264.
Sovacool, BK, 2014. Definir, medir y abordar la pobreza energética. Pobreza energética: desafíos globales Solución
local. 2, 21–53.
Bazilian, M., Yumkella, K., 2015. ¿Por qué la pobreza energética es la verdadera crisis energética? Foro Economico
Mundial. URL: https://www.weforum.org/agenda/2015/03/why­energy­pobreza­is­the­real­energy­crisis/ .
Consultado el 20 de febrero de 2019.
Stanley, TD, 2001. Trigo a partir de paja: metanálisis como revisión cuantitativa de la literatura.
J. Economía. Perspectiva. 15 (3), 131­150.
Hajko, V., 2017. El fracaso del nexo energía­economía: un metanálisis de 104 estudios.
Energía 125, 771–787.
19
Política Energética 141 (2020) 111444
Labandeira, X., Labeaga, JM, Lopez­Otero, X., 2017. Un metaanálisis sobre la elasticidad precio de la demanda
energética. Pol. Energía. 102, 549–568.
Menegaki, AN, 2014. Sobre estudios de consumo de energía y PIB; Un metaanálisis de la
últimas dos décadas. Renovar. Sostener. Energía Rev. 29, 31–36.
Nelson, JP, Kennedy, PE, 2009. El uso (y abuso) del metanálisis en la economía ambiental y de los recursos naturales:
una evaluación. Reinar. Recurso. Economía. 42 (3), 345–377.
Pigott, T., 2012. Avances en el metaanálisis. Medios de ciencia y negocios de Springer.
Aristondo, O., Onaindia, E., 2018. Desigualdad de la pobreza energética entre colectivos en España.
Energía 153, 431–442.
DerSimonian, R., Laird, N., 1986. Metanálisis en ensayos clínicos. contra. Clínico. Ensayos 7 (3),
177–188.
Borenstein, M., Hedges, LV, Higgins, JPT, Rothstein, HR, 2011. Introducción al metaanálisis. John Wiley e hijos.
Hawcroft, LJ, Milfont, TL, 2010. El uso (y abuso) del nuevo medio ambiente
Escala de paradigma en los últimos 30 años: un metanálisis. J. Medio Ambiente. Psicólogo. 30 (2),
143–158.
Edoumiekumo, SG, Tombofa, SS, Karimo, TM, 2013a. Energía multidimensional
pobreza en la zona geopolítica sur­sur de Nigeria. J. Economía. Sostener. Desarrollo. 4 (20), 96­103.
Akande, SO, Sanusi, YA, Mohammed, N., 2018a. Determinantes de la pobreza energética en el área del gobierno
local de Rafi del estado de Níger, Nigeria. En t. J. Innov. Res. Adv. Semental.
(IJIRAS) 5 (1).
Bekele, G., Negatu, W., Eshete, G., 2015. Pobreza energética en la ciudad de Addis Abeba, Etiopía.
J. Economía. Sostener. Desarrollo. 6 (3), 26–34.
Olang, TA, Esteban, M., Gasparatos, A., 2018a. Opciones de combustible para iluminación y cocina de
Hogares en la ciudad de Kisumu, Kenia: una perspectiva de pobreza energética multidimensional.
Sostenimiento energético. Desarrollo. 42, 1­13.
Glass, GV, 1976. Investigación primaria, secundaria y metanálisis. Educativo. Res. 5 (10),
3–8.
Jarrell, SB, Stanley, TD, 1990. Un metaanálisis de la brecha salarial entre sindicatos y no sindicatos. ILR
Apocalipsis 44 (1), 54–67.
Smith, VK, Kaoru, Y., 1990. ¿Qué hemos aprendido desde la carta de Hotelling? Un metaanálisis. Economía.
Letón. 32 (3), 267–272.
Stanley, TD, Jarrell, SB, 2005. Análisis de metarregresión: un método cuantitativo de encuestas literarias. J.
Economía. Sobrevivir. 19 (3), 299–308.
Weitzman, M., Kruse, D., Blinder, A., 1990. Participación en los beneficios y productividad, págs. 95­142,
1990.
Havranek, T., Herman, D., Irsova, Z., 2018. ¿El horario de verano ahorra electricidad? A
metanálisis. Energía J. 39 (2), 35–61.
Kontopantelis, E., Reeves, D., 2010. metaan: metanálisis de efectos aleatorios. ESTADO J. 10
(3), 395–407.
Nikolakopoulou, A., Mavridis, D., Salanti, G., 2014. En: Desmitificar el metaanálisis de efectos fijos y aleatorios. Real
Colegio de Psiquiatras.
Kelley, GA, Kelley, KS, 2012. Modelos estadísticos para metanálisis: un breve tutorial.
Mundo J. Método. 2 (4), 27.
Hunter, JE, Schmidt, FL, 2004. Métodos de metaanálisis: corrección de errores y sesgos en los resultados de la
investigación. Sabio.
Higgins, JPT, Green, S., 2011. Manual Cochrane para revisiones sistemáticas de
Intervenciones, vol. 4. John Wiley e hijos.
Stanley, TD, 2005. Más allá del sesgo de publicación. J. Economía. Sobrevivir. 19 (3), 309–345.
Egger, M., Smith, GD, Schneider, M., Minder, C., 1997. Sesgo en el metanálisis detectado mediante una prueba gráfica
simple. Hno. Medicina. J. 315 (7109), 629–634.
Harbord, RM, Harris, RJ, Sterne, JAC, 2009. Pruebas actualizadas para efectos de estudios pequeños en metanálisis.
STATA J. 9 (2), 197–210.
Higgins, JPT, Thompson, SG, 2004. Controlar el riesgo de hallazgos espurios de
metarregresión. Estadística. Medicina. 23 (11), 1663–1682.
Harbord, RM, Higgins, JPT, 2008. Metarregresión en Stata. STATA J. 8 (4), 493–519.
Verhagen, AP, Ferreira, ML, 2014. Parcelas forestales. J. Fisiotro. 60 (3), 170­173.
Hak, T., van Rhee, H., Suurmond, R., 2016. ¿Cómo interpretar los resultados del metanálisis?
Disponible en: SSRN 3241367.
Guddat, C., Grouven, U., Bender, R., Skipka, G., 2012. Una nota sobre el gráfico
Presentación de intervalos de predicción en metanálisis de efectos aleatorios. Sistema. Apocalipsis 1 (1), 34.
Higgins, JPT, Thompson, SG, Deeks, JJ, Altman, DG, 2003. Medición de la inconsistencia en los
metanálisis. Hno. Medicina. J. 327 (7414), 557–560.
Mavridis, D., Salanti, G., 2014. En: Exploración y contabilidad del sesgo de publicación en salud mental: una breve
descripción de los métodos. Real Colegio de Psiquiatras.
DerSimonian, R., Laird, N., 1983. Evaluación del efecto del coaching en las puntuaciones del SAT: a
metanálisis. Harv. Educativo. Apocalipsis 53 (1), 1–15.
Referencias
Akande, SO, Sanusi, YA, Mohammed, N., 2018b. Determinantes de la pobreza energética en el área del gobierno
local de Rafi del estado de Níger, Nigeria. En t. J. Innov. Res. Adv. Semental.
(IJIRAS) 5 (1).
Apere, TO, Karimo, TM, 2014. Pobreza energética multidimensional en Nigeria: un análisis a nivel nacional y zonal.
Hno. J. Adv. Acad. Res. 3 (1), 83–92.
Awan, RU, Sher, F., Abbas, A., 2013b. Una investigación de la pobreza energética multidimensional en Pakistán.
Desarrollo de Pakistán. Rev. 405–418.
Barnes, DF, Khandker, SR, Samad, HA, 2011b. Pobreza energética en las zonas rurales de Bangladesh.
Pol. Energía. 39 (2), 894–904.
Bekele, G., Negatu, W., Eshete, G., 2015a. Pobreza energética en la ciudad de Addis Abeba, Etiopía.
J. Economía. Sostener. Desarrollo. 6 (3), 26–34.
Machine Translated by Google
ARKANSAS. Qurat­ul­Ann y FM Mirza
Bekele, G., Negatu, W., Eshete, G., 2015b. Aspectos sociofísicos de la pobreza energética en Etiopía: un
estudio de caso de la ciudad de Addis Abeba. En t. J. Economía. Com. Gestionar. Reino Unido 3
(11).
Bersisa, M., 2017b. Medida multidimensional de la pobreza energética de los hogares y sus
determinantes en Etiopía 1. En: Transformación económica para la reducción de la pobreza en África.
Routledge, págs. 58–83.
Edoumiekumo, SG, Tombofa, SS, Karimo, TM, 2013b. Energía multidimensional
pobreza en la zona geopolítica sur­sur de Nigeria. J. Economía. Sostener. Desarrollo. 4 (20), 96­103.
Ismail, Z., 2015. Una estimación empírica de la pobreza energética en los países pobres de Sudáfrica
hogares. J. Economía. Sostener. Desarrollo. 6 (13).
Ismail, Z., Khembo, P., 2015. Determinantes de la pobreza energética en Sudáfrica. J. Energía del Sur de
África. 26 (3), 66–78.
Khandker, SR, Barnes, DF, Samad, HA, 2012b. ¿Los pobres en energía son también pobres en ingresos?
Pruebas de la India. Pol. Energía. 47, 1­12.
Lipu, MSH, Shrestha, P., Kumar, S., 2016. Pobreza energética y acceso a la energía moderna de los pobres
urbanos: un caso de Dhaka, Bangladesh. En t. J. Tecnología energética. Pol. 12 (3),
270–294.
Mahmood, R., Shah, A., 2017. La privación cuenta: una evaluación de la pobreza energética en
Pakistán. Lahore J. Economía. 22 (1), 109–132.
Mendoza, CB, Cayonte, DDD, Leabres, MS, Manaligod, LRA, 2019b. Comprender la pobreza energética
multidimensional en Filipinas. Pol. Energía. 133, 110886. https://doi.org/10.1016/j.enpol.2019.110886.
Mirza, B., Szirmai, A., 2010. Hacia una nueva medición de la pobreza energética: un análisis intercomunitario
del Pakistán rural. Obtenido de la Universidad de las Naciones Unidas.
Nussbaumer, P., Bazilian, M., Modi, V., 2012b. Medir la pobreza energética: centrarse en lo que importa.
Renovar. Sostener. Energía Rev. 16 (1), 231–243.
Nussbaumer, P., Nerini, F., Onyeji, I., Howells, M., 2013b. Perspectivas globales basadas en el índice de
pobreza energética multidimensional (MEPI). Sostenibilidad 5 (5), 2060­2076.
Ochoa, RG, Graizbord, B., 2016. Privación de servicios energéticos en hogares mexicanos: una medida
alternativa de pobreza energética. Res. energética. Soc. Ciencia. 18, 36–49.
Ogwumike, FO, Ozughalu, UM, 2016. Análisis de la pobreza energética y sus implicaciones para el desarrollo
sostenible en Nigeria. Reinar. Desarrollo. Economía. 21 (3), 273–290.
Oum, S., 2019b. La pobreza energética en la República Democrática Popular Lao y sus impactos en la educación y la salud.
Pol. Energía. 132, 247–253. https://doi.org/10.1016/j.enpol.2019.05.030.
20
Política Energética 141 (2020) 111444
Phoumin, H., Kimura, F., 2019b. La pobreza energética de Camboya y sus efectos en el bienestar social:
evidencia empírica e implicaciones políticas. Pol. Energía. 132, 283–289. https://doi.org/10.1016/
j.enpol.2019.05.032.
Sadath, AC, Acharya, RH, 2017b. Evaluación del alcance y la intensidad de la pobreza energética utilizando el
índice de pobreza energética multidimensional: evidencia empírica de hogares en la India. Pol. Energía.
102, 540–550.
Sambodo, MT, Novandra, R., 2019b. El estado de la pobreza energética en Indonesia y su impacto en el
bienestar. Pol. Energía. 132, 113–121. https://doi.org/10.1016/j. enpol.2019.05.029.
Sanusi, YA, Owoyele, GS, 2016b. La pobreza energética y sus diferencias espaciales en Nigeria:
invirtiendo la tendencia. Procedimiento energético 93, 53–60.
Sher, F., Abbas, A., Awan, RU, 2014. Una investigación de la energía multidimensional
pobreza en Pakistán: un análisis a nivel de provincia. En t. J. Economía Energética. Pol. 4 (1), 65–75.
Tchereni, BHM, Grobler, W., Dunga, SH, 2013b. Análisis económico de la pobreza energética
en el sur de Lunzu, Malawi. Economía. Anal. 4 (4).
Vermaak, C., Kohler, M., Rhodes, B., 2009. Desarrollo de una línea de pobreza basada en la energía para
Sudáfrica. J. Interdisciplinario. Economía. 21 (2), 163–195.
Vermaak, C., Kohler, M., Rhodes, B., 2014. Desarrollar una línea de pobreza basada en la energía para
Sudáfrica. J. Economía. Finanzas. Ciencia. 7 (1), 127–144.
Referencias de estudios utilizados en el metanálisis.
Kohler, M., Rhodes, B., Vermaak, C., 2009. Desarrollar una línea de pobreza basada en la energía para
Sudáfrica. J. Interdisciplinario. Economía. 21 (2), 163–195.
Olang, TA, Esteban, M., Gasparatos, A., 2018b. Opciones de combustible para iluminación y cocina de
Hogares en la ciudad de Kisumu, Kenia: una perspectiva de pobreza energética multidimensional.
Sostenimiento energético. Desarrollo. 42, 1­13.
Crentsil, AO, Asuman, D., Fenny, AP, 2019b. Evaluación de los determinantes e impulsores de la pobreza
energética multidimensional en Ghana. Pol. Energía. 133, 110884. https://doi. org/10.1016/
j.enpol.2019.110884.
Zhang, D., Li, J., Han, P., 2019b. Una medida multidimensional de la pobreza energética en China y sus
impactos en la salud: un estudio empírico basado en los estudios de panel de familias de China.
Pol. Energía. 131, 72–81. https://doi.org/10.1016/j.enpol.2019.04.037.
Olawumi Israel­Akinbo, S., Snowball, J., Fraser, G., 2018. Una investigación de
Pobreza energética multidimensional entre los hogares de bajos ingresos de Sudáfrica.
S. África. J. Economía. 86 (4), 468–487.