oel L. Horowitz y N. E. Savin hablan sobre los estimadores que pueden ser usados cuando la variable dependiente es una variable binaria, que puede tomar los valores de cero y uno. Una línea recta puede ser ajustada a través de los puntos utilizando mínimos cuadrados ordinarios —el así llamado modelo de probabilidad lineal— pero en algunos valores de las variables explicativas la probabilidad de un evento se pronostica que será mayor a uno o menor que cero. En una muestra lo suficientemente amplia, la relación debe ser no-lineal. Horowitz y Savin empiezan comparando el modelo de probabilidad lineal con los modelos Logit y Probit, los cuales fueron desarrollados para permitir una relación en forma de S entre la variable dependiente y las variables explicativas. En muchas situaciones donde el investigador está interesado en estimar el cambio en la probabilidad de que la variable dependiente asuma el papel de uno asociado con un cambio pequeño en la variable explicativa, estas técnicas proporcionan una aproximación aceptable. Si la media de la variable dependiente es cercana a cero o a uno, el modelo de probabilidad lineal proporciona la peor aproximación, y la justificación para utilizar el modelo Logit o el Probit es más fuerte. En algunas situaciones, los investigadores están interesados en la forma de la función que entrelaza la probabilidad que la variable dependiente sea igual que uno, con las variables explicativas a lo largo de la muestra total de variables explicativas (y quizás aún más allá). En este escenario, Horowitz y Savin muestran que las técnicas de mínimos cuadrados, las Logit y Probit pueden ser engañosas, porque raramente hay una razón lo suficientemente fuerte para asumir una relación funcional particular. Por eso, describen un enfoque alternativo para estimar un modelo con una variable binaria independiente que usa técnicas semiparamétricas.
http://www.banguat.gob.gt/inveco/notas/articulos/envolver.as...

Los gráficos de probabilidad normal constituyen otra importante herramienta gráfica para comprobar si un conjunto de datos puede considerarse o no procedente de una distribución normal. La idea básica consiste en enfrentar, en un mismo gráfico, los datos que han sido observados frente a los datos teóricos que se obtendrían de una distribución gaussiana. Si la distribución de la variable coincide con la normal, los puntos se concentrarán en torno a una línea recta, aunque conviene tener en cuenta que siempre tenderá a observarse mayor variabilidad en los extremos (Figura 4a, datos del peso). En los gráficos P-P se confrontan las proporciones acumuladas de una variable con las de una distribución normal. Los gráficos Q-Q se obtienen de modo análogo, esta vez representando los cuantiles respecto a los cuantiles de la distribución normal. Además de permitir valorar la desviación de la normalidad, los gráficos de probabilidad permiten conocer la causa de esa desviación. Una curva en forma de "U" o con alguna curvatura, como en el caso de la edad en la Figura 4b, significa que la distribución es asimétrica con respecto a la gaussiana, mientras que un gráfico en forma de "S" significará que la distribución tiene colas mayores o menores que la normal, esto es, que existen pocas o demasiadas observaciones en las colas de la distribución.
http://www.fisterra.com/mbe/investiga/distr_normal/distr_nor...

Métodos utlizados en estadística y aplicados a la economía.

--------------------------------------------------
Note added at 21 mins (2005-10-27 01:10:52 GMT)
--------------------------------------------------

Se trata de una función logística no lineal.

http://64.233.187.104/search?q=cache:K6fOBItLMOEJ:www.ief.es...

--------------------------------------------------
Note added at 22 mins (2005-10-27 01:11:03 GMT)
--------------------------------------------------

Función paramétrica.