Interpretaciones Poma

B0: El promedio de la tasa de inmigración neta será de -20154.68238 manteniendo el PIB, La

tasa de inmigración neta, tasa de inflación total y la tasa de desempleo, como constantes igual
a 0.

B1: que por cada unidad de miles de millones de dólares en el PIB la tasa de inmigración neta
aumentara en un promedio de 334.4450152 de unidades de personas, manteniendo una
constante igual a 0 en las demás variables.

B2: Que, por cada unidad porcentual anual en la tasa de Inflación total, en promedio se
incrementara en un 255541.90053 en la tasa de inmigración neta, manteniendo una constante
igual a 0 en las demás variables.

B3: Por cada unidad porcentual en la tasa de desempleo total en promedio habrá una
disminución de -30380.20307 en la tasa de inmigración neta, manteniendo una constante igual
a 0 a las variables del PIB y la tasa de Inflación.

Luis Angel

Interpretación B3: Por cada unidad porcentual que incremente en X3 (tasa de inflación) este
disminuirá en promedio de un -30380,20307 para la Y considerando en personas (Migración
neta), por tal considerando que las Demas variables se mantengan fijas. Dando a conocer que
X3 (tasa de inflación) afectara de gran manera para un incremento de Y (Migración neta).

Interpretación R2 ajustado: La relación con la cual las variables independientes X1(PIB), X2

(tasa de desempleo) y X3 (tasa de inflación) explican a la variable Y (migración neta), es de un
80,95%

Al observar el valor R ^ 2 ajustado, se puede juzgar si los datos en la ecuación de regresión se

ajustan bien. A mayor R ^ 2 ajustada, mejor es la ecuación de regresión, ya que implica que la
variable independiente elegida para determinar la variable dependiente puede explicar la
variación en la variable dependiente.

Interpretación R2: La relación de las variables X1(PIB), X2 (tasa de desempleo), y X3 (tasa de

inflación) que explican a la variable Y (migración neta). De tal forma dando una relación de un
82,79% de tal forma destacando que la relación es fuerte y que es significante la toma de las
variables ya que estas explican la varianza del modelo en un 82,79%.

El coeficiente de determinación, también conocido como R cuadrado (R2), es un coeficiente

utilizado en estadística para predecir resultados futuros o probar hipótesis.
Indica la cantidad proporcional de variación en la variable de respuesta y, explicada según las
variables independientes X en el modelo de regresión lineal. Cuanto mayor sea el R cuadrado,
mayor será la variabilidad explicada por el modelo de regresión lineal.