Entendendo variáveis endógenas e exógenas na prática
A primeira coisa que todo mundo aprende em econometria é a diferença básica entre endógeno e exógeno. Variável endógena é aquela que o modelo tenta explicar. Variável exógena é aquela que o modelo usa como entrada para explicar o resto. Parece simples até você se deparar com dados reais e perceber que a linha entre os dois costuma ser totalmente invisível. No mundo ideal dos manuais, suas variáveis independentes são exógenas por definição. Na prática, isso raramente acontece. O problema é que se você tratar uma variável endógena como se fosse exógena, seus coeficientes ficam viesados e sua inferência perde qualquer significado. Esse é o tipo de erro que passa batido numa revisão rápida e só aparece quando seus resultados não fazem sentido com a teoria.
O que define endogenos e exogenos de verdade
A definição técnica correta envolve correlação entre a variável explicativa e o termo de erro. Se Cov(X, ) 0, a variável é endógena. Se Cov(X, ) = 0, ela é exógena. A parte complicada é que contém tudo o que o modelo não capturou: fatores omitidos, erros de medição, relações simultâneas. Qualquer um desses três elementos pode transformar uma variável aparentemente inofensiva em endógena. Fatores omitidos são o caso mais comum. Digamos que você está modelando salário em função de educação. A habilidade inata do indivíduo geralmente não está nos seus dados. Como pessoa mais capaz tende a buscar mais educação e também a ganhar mais salario, a variável educação fica correlacionada com o erro. Seu coeficiente de educação vai superestimar o retorno real. Isso não é especulação, é o viés de variável omitida clássico que apareceu nos primeiros cursos de econometria justamente por ser ubíquo.
O segundo caso frequente é erro de medição. Se sua variável independente tem ruído de medição, ela automaticamente se torna endógena em relação ao erro composto. Um exemplo prático: dados de renda autorreportada em pesquisas domiciliares têm viés sistemático. Quem ganha mais tende a declarar menos. Usar renda declarada como variável explicativa sem corrigir esse viés gera estimação inconsistente. O terceiro caso é simultaneidade. Quando Y determina X e X determina Y ao mesmo tempo, ambas as variáveis são endógenas. Preço e quantidade no mercado de um bem são o exemplo de livro-texto. Preço afeta quantidade demandada. Quantidade afeta preço de equilíbrio. Tentar estimar uma das equações por OLS puro vai te dar resultados que não convergem para a verdade nem com amostra infinita.
O que poucos explicam bem é que endogeneidade não é binária. Não existe um teste que diga simplesmente "sim, há endogeneidade". Você tem evidências de que algo está correlacionado com o erro e precisa decidir o quanto isso importa. O teste de Hausman, o teste Durbin-Wu-Hausman, o teste de Anderson-Rubin para modelos fracos — todos eles têm pressupostos e limitações que raramente são discutidos fora de artigos técnicos.
Como resolver endogeneidade quando ela aparece
O método padrão é variáveis instrumentais. Você encontra uma variável Z que é correlacionada com X mas não correlacionada com . Essa correlação com X é a relevância do instrumento. A ausência de correlação com é a exogeneidade do instrumento. As duas condições precisam valer simultaneamente e a segunda é quase impossível de testar diretamente. Só testamos a relevância com o primeiro estágio. F-statistic abaixo de 10 no primeiro estágio indica instrumentos fracos. Quando os instrumentos são fracos, o estimador IV não é apenas viesado, ele é mais viesado que o próprio OLS em direções imprevisíveis. Angrist e Pischke documentaram isso extensivamente. Não adianta ter um instrumento estatisticamente significativo se o primeiro estágio é fraco.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Para testar se seus instrumentos são válidos, você usa o teste Sargan-Hansen de sobreidentificação. Se rejeitar, pelo menos um dos instrumentos viola a condição de exogeneidade. Mas se não rejeitar, isso não prova que todos os instrumentos são válidos. Só significa que os dados são compatíveis com a hipótese de exogeneidade. É uma diferença sutil mas crucial. Na minha experiência, o problema mais doloroso que encontrei envolveu dados panel com efeitos fixos e uma variável que eu inicialmente tratava como exógena. Estava modelando o impacto de investimento em tecnologia sobre produtividade em firmas brasileiras. A variável de investimento parecia exógena à primeira vista. O problema era que firmas com expectativa de crescimento de produtividade antecipam investimentos. Isso é simultaneidade com lead, não com lag.
A abordagem padrão de efeitos fixos não resolve esse problema porque a antecipação acontece dentro da mesma unidade ao longo do tempo. O que funcionou foi usar o sistema GMM de Arellano-Bond e Blundell-Bond, tratando o investimento como variável endógena e usando defasagens mais profundas como instrumentos. A diferença foi significativa: o coeficiente de investimento caiu de 0,18 para 0,07 entre OLS com efeitos fixos e GMM em diferenças. Quase três vezes menor. O viés de antecipação era real e substancial. Outra questão que merece atenção é a escolha entre IV clássico, GMM e regressão discontinua. IV clássico funciona bem quando você tem um instrumento forte e válido. GMM é mais flexível mas exige cuidado com instrumentos, que leva ao problema de many-instrument bias. RD oferece identificação causal limpa mas só vale a pena quando há um corte clara e credível na atribuição do tratamento. Cada método tem um domínio onde funciona e um onde falha.
Erros comuns que todo mundo comete
O erro mais frequente é usar variáveis instrumentas que são apenas proxies fracas da variável que deveria ser instrumentada. Um exemplo comum: usar chuva como instrumento para crescimento agrícola em estudos de desenvolvimento. A chuva é relevante porque afeta agricultura. Mas a chuva também afeta saúde, conflitos e migração. Essas vias alternativas violam a condição de exclusão. O instrumento não age somente através da variável de interesse. O erro seguinte é tratar variáveis de controle como solução mágica para endogeneidade. Adicionar mais variáveis ao modelo não resolve endogeneidade causada por omissão de variável relevante se essa variável realmente não está nos dados. Controlar por tudo que está disponível nos dados pode até piorar a situação se você controlar por mediadores ou coliders.
Um caso específico que vejo repetir é o controle por variáveis intermediárias. Se X afeta Y através de M, e você controla por M na regressão de X sobre Y, você está bloqueando parte do efeito causal de X. Isso gera viés de colisor e coeficientes distorcidos. A literatura de causalidade moderna chama isso de sobre-controle, e é um erro que aparece com frequência em artigos aplicados. Também é comum confundir endogeneidade com autocorrelação. Autocorrelação nos resíduos viola a eficiência do OLS mas não gera viés nos coeficientes se as variáveis explicativas forem estritamente exógenas. Endogeneidade viola a consistência. São problemas distintos com diagnósticos e soluções diferentes. Teste de Durbin-Watson para autocorrelação. Teste de Hausman para endogeneidade. Não use um para diagnosticar o outro.
Quando nada disso funciona
Existem cenários onde não há instrumento válido disponível e nenhuma identificação alternativa é credível. Nesses casos, a resposta honesta é dizer que você não consegue identificar o efeito causal com os dados disponíveis. Forçar uma estimação IV com instrumentos questionáveis é pior que admitir a limitação e apresentar os resultados OLS com viés explicitamente documentado. Dados de survey com variáveis auto-declaradas frequentemente apresentam esse problema. A qualidade da informação é intrinsicamente limitada e nenhum tratamento econométrico resolve isso completamente. O melhor que se pode fazer é sensibilidade analítica: mostrar como os coeficientes variam sob diferentes suposições plausíveis sobre a magnitude do viés.
O campo da econometria causal avançada desenvolveu métodos como o de Imbens e Rosenbaum para bound analysis, e o framework de Manski para identificaçāo parcial. Eles não te dão um número único, mas delimitam faixas plausíveis para o parâmetro de interesse. Em muitos casos reais, essas faixas são suficientemente estreitas para apoiar decisão, mesmo sem point identification. A diferença entre endogenos e exogenos não é apenas terminologia de curso introdutório. É a fronteira entre estimação que converge para algo útil e estimação que converge para algo enviesado de forma sistemática. Reconhecer onde essa fronteira está nos seus próprios dados é o que separa análise descritiva de análise causal. E a maioria dos artigos que leio passa direto por essa verificação.
