Variáveis exógenas vs. endógenas: diferenças essenciais e exemplos

Suponha que você queira saber se ficar mais tempo na escola realmente aumenta sua renda. Você roda uma regressão, encontra um coeficiente positivo para educação e fica confiante. Aí alguém lembra que pessoas mais inteligentes e motivadas tendem a buscar mais educação e ganhar mais, independentemente da escolaridade. Sua estimativa está capturando tanto habilidade quanto educação. Isso é endogeneidade — e é um dos jeitos mais comuns de resultados de regressão induzirem ao erro.

A distinção entre variáveis exógenas e endógenas é o coração desse problema. Se você erra aqui, seus coeficientes não significam o que você acha que significam. Acerta, e você passa a fazer afirmações causais com mais credibilidade. Este artigo percorre as definições, as diferenças-chave, as principais fontes de endogeneidade e os remédios padrão. Vou ser direto: é justamente na parte dos remédios que muitos textos escorregam. Tentei não fazer isso aqui.

O que são variáveis exógenas e endógenas?

As palavras vêm do grego: exo (fora) e endo (dentro). Uma variável exógena é determinada fora do sistema modelado. Ela influencia os resultados, mas não é influenciada pelas demais variáveis do modelo. Já uma variável endógena é moldada pelo próprio sistema — ela se enreda com outras variáveis, criando circuitos de feedback ou dependências ocultas.

Em regressão, essa distinção tem um significado estatístico preciso. Uma variável é exógena se não tem correlação com o termo de erro do modelo. É endógena se é correlacionada com esse erro — ou seja, há algo no residual que também está impulsionando seu preditor.

Variáveis exógenas

Uma variável exógena fica fora do ciclo de feedback. Pense na chuva diária como determinante da produção agrícola: a decisão do agricultor sobre plantio não afeta o clima. A chuva influencia a produtividade, mas a produtividade não altera a chuva. Em termos de regressão, isso se traduz em correlação zero entre o preditor e o termo de erro — o que os estatísticos escrevem como Cov(X, ε) = 0. Essa covariância nula é o que torna os estimadores MQO (OLS) não viesados. Quando essa condição vale, o coeficiente de X capta de forma limpa a relação entre X e o desfecho, sem contaminação de fatores omitidos.

Variáveis endógenas

Uma variável endógena está enredada com o termo de erro. Voltando ao exemplo da educação: ganhos são afetados por habilidade, motivação, origem familiar e uma dúzia de outras coisas que também influenciam a escolaridade de alguém. Esses fatores não observados vão parar no termo de erro ε. Como educação se correlaciona com ε, temos endogeneidade: Cov(X, ε) ≠ 0.

O sentido exato de "exógena" e "endógena" muda um pouco conforme o contexto de modelagem. Em modelos de equações estruturais, classifica-se pelo fato de a variável ser ou não um resultado do sistema; em econometria, o foco é a relação com o termo de erro. Ambos os enquadramentos capturam a mesma ideia de fundo.

Variáveis exógenas vs. endógenas: diferenças essenciais

A tabela abaixo resume o contraste essencial. As seções seguintes entram nas nuances.

Exemplos de variáveis exógenas e endógenas

Definições abstratas vão até certo ponto. Aqui vão três cenários em que a classificação exógena/endógena faz diferença de verdade.

Educação e renda

Este é o exemplo clássico, com razão. Você quer estimar o efeito causal de um ano adicional de estudo sobre o salário. O problema: pessoas com mais habilidade tendem a estudar mais e a ganhar mais. Habilidade não está no seu modelo. Está no termo de erro. Educação e o termo de erro, portanto, se correlacionam, e seu coeficiente de escolaridade é inflado pelo prêmio de habilidade que ele absorve silenciosamente.

Tratar educação como exógena aqui seria erro. Ela é endógena, determinada em parte pelos mesmos fatores não observados que você não consegue controlar.

Preço e demanda

Em um mercado padrão de oferta e demanda, preço e quantidade são determinados simultaneamente. Se você regredir quantidade demandada em preço, não estará identificando a curva de demanda — estará apenas traçando um equilíbrio que muda com choques de oferta e de demanda. O preço não é definido independentemente da demanda; ele responde a ela. Então, preço é endógeno quando a quantidade é o desfecho — e vice-versa.

Esse problema de simultaneidade é um dos motivos pelos quais economistas se interessaram por experimentos naturais e variáveis instrumentais muito antes desses métodos virarem moda em outras áreas.

Clima e produção agrícola

Chuva é o exemplo didático de variável exógena. A decisão do agricultor sobre quanto trigo plantar não altera a precipitação de amanhã. A chuva afeta a produção, mas a produção não retroalimenta a chuva. Essa influência unidirecional, somada ao pressuposto razoável de que clima não se correlaciona com choques não observados de produtividade no nível da fazenda, torna a chuva um preditor exógeno plausível.

Dito isso, nenhuma variável é inerentemente exógena ou endógena. A classificação depende do modelo e de seus pressupostos. Se você modelasse clima regional de longo prazo e uso agrícola da terra em conjunto, "clima" talvez não parecesse tão independente assim.

Por que a endogeneidade é um problema em regressão

O ponto técnico é direto. MQO (OLS) supõe que as variáveis explicativas não se correlacionam com o termo de erro. Quando essa hipótese falha, o estimador capta variação que pertence a fatores omitidos, e não à variável de interesse, produzindo estimativas viesadas e inconsistentes. Com dados suficientes, o MQO convergiria para o número errado — não por erro amostral, mas porque está resolvendo o problema errado.

O dano interpretativo cresce rápido. Um coeficiente viesado leva a conclusões enganosas, previsões ruins e políticas equivocadas. Se você superestima o retorno salarial da educação por conta da habilidade omitida, pode superfinanciar programas de escolaridade em detrimento, por exemplo, de intervenções na primeira infância. O problema estatístico vira prático num piscar de olhos.

Formalmente, a condição de exogeneidade requer E(ε | X) = 0 ou, no mínimo, Cov(X, ε) = 0. Quando isso falha, o estimador MQO β̂ converge em probabilidade para β + (E[X′X])⁻¹E[X′ε], e não para β. O termo extra é o viés, e ele não desaparece à medida que a amostra cresce.

O que causa endogeneidade?

Há alguns mecanismos distintos, e entender qual é o seu caso orienta a solução.

Viés por variável omitida

Este é o vilão mais comum. Quando uma variável relevante fica fora do modelo, seu efeito é absorvido pelo termo de erro. Se essa variável omitida também se correlaciona com um dos seus preditores, você tem endogeneidade. A história educação–habilidade é um clássico: habilidade pertence à equação de salários, mas não a medimos bem, então ela fica em ε. Como habilidade se correlaciona com educação, o coeficiente de educação absorve parte do prêmio de habilidade.

Simultaneidade

Surge quando duas variáveis se determinam mutuamente: preço e quantidade em mercado competitivo, presença policial e criminalidade, investimento em mídia e vendas. Cada uma é causa e efeito da outra, então nenhuma pode ser tratada como exógena. A marca registrada da simultaneidade é a necessidade de um sistema de equações para descrever o processo gerador de dados. Uma regressão de equação única não consegue destrinchar quem causa o quê.

Erro de mensuração

Quando um preditor é medido com erro, ele se torna endógeno mesmo que a variável subjacente verdadeira não fosse. O erro de mensuração aparece tanto no preditor quanto no residual, criando correlação entre eles. Exemplo clássico: renda autorreferida. As pessoas se confundem, arredondam ou omitem, e a diferença entre a renda reportada e a real acaba correlacionada com a variável que você usa como regressor.

Seleção e outras fontes

Viés de seleção merece menção à parte. Se a entrada na sua amostra depende do desfecho ou de fatores correlacionados com seu preditor, você está trabalhando com um recorte não aleatório da população. A versão canônica é o modelo de seleção de Heckman: estudar determinantes de salário apenas entre empregados, quando a decisão de trabalhar já é correlacionada com o salário potencial.

Há outras fontes (causalidade reversa, painéis dinâmicos com defasagens como preditores, efeitos de rede), mas variáveis omitidas, simultaneidade e erro de mensuração cobrem a maior parte dos casos do dia a dia.

Como detectar endogeneidade

Você geralmente não detecta endogeneidade olhando uma matriz de correlação ou rodando um diagnóstico padrão. O problema está na relação entre o preditor e o termo de erro — que, por definição, é não observado.

O que ajuda de verdade é teoria e conhecimento do domínio. Antes de rodar qualquer regressão, pergunte: este preditor é determinado por fatores que também afetam meu desfecho por canais que não controlei? Desenhar um diagrama causal pode ajudar. Grafos acíclicos direcionados (DAGs) deixam claro quais caminhos existem e quais confundidores precisam ser bloqueados.

Uma abordagem formal é o teste de Durbin–Wu–Hausman, que compara estimativas de MQO com estimativas por variável instrumental. Se os dois conjuntos de coeficientes diferirem significativamente, é evidência de que o preditor é endógeno. Note que a versão clássica supõe homocedasticidade; use uma variante robusta (como a forma baseada em regressão de Wooldridge) se houver dúvida. Mas esse teste só funciona se você já tiver um instrumento válido — e encontrá-lo costuma ser a parte mais difícil. É um bom cheque, não um substituto para pensar com cuidado sobre o processo gerador de dados.

Como corrigir a endogeneidade

Não existe um método único que cubra todos os tipos. A escolha certa depende da causa da endogeneidade.

Variáveis instrumentais

A ideia central: encontrar uma variável (o instrumento) que afete seu preditor endógeno, mas não tenha efeito direto sobre o desfecho a não ser por meio desse preditor. Um instrumento válido atende a duas condições: relevância (correlaciona-se com a variável endógena) e a restrição de exclusão (não pertence diretamente à equação do desfecho).

No exemplo da educação, a distância da casa até a faculdade mais próxima já foi proposta como instrumento para escolaridade. Quem cresceu longe de uma faculdade estudou menos — não por menor habilidade, mas por maior custo de frequência. Se a distância não afeta salários exceto via escolaridade, é um instrumento válido. Essa segunda condição nunca é verificável apenas com dados, por isso IV requer um argumento defensável — não basta ter um primeiro estágio significativo.

Mínimos quadrados em dois estágios

O método em dois estágios (2SLS) operacionaliza IV. No primeiro estágio, você regressa o preditor endógeno no instrumento e nos controles exógenos. No segundo, substitui a variável endógena pelos valores preditos do primeiro estágio e roda a regressão do desfecho sobre eles. Esses valores preditos contêm apenas a variação do preditor que vem do instrumento (variação não correlacionada com o erro na equação do desfecho), por isso 2SLS recupera uma estimativa causal mais limpa. Na prática, não rode manualmente os dois estágios como MQO separados. Os erros-padrão do segundo estágio ficarão errados, pois ignoram a incerteza do primeiro. Use um estimador IV dedicado (como ivreg no pacote AER do R, ou IV2SLS no linearmodels do Python).

Efeitos fixos

Quando a endogeneidade vem de características não observadas ao nível do indivíduo que são estáveis no tempo (habilidade, cultura da empresa, qualidade do bairro), dados em painel com efeitos fixos ajudam. Incluir um dummy por unidade (ou, de forma equivalente, centralizar por unidade) remove todos os omitidos invariantes no nível da unidade. Efeitos fixos não resolvem confundidores que variam no tempo, erro de mensuração ou simultaneidade, mas para não observáveis estáveis costumam ser a solução mais limpa.

Desenhos experimentais e quase-experimentais

A forma mais limpa de obter variação exógena é a randomização. Em um experimento controlado randomizado, a atribuição do tratamento é independente de todo o resto por construção. Quando randomizar não é possível, experimentos naturais (eventos externos que efetivamente randomizam a exposição) podem oferecer credibilidade semelhante. Desenhos de regressão descontínua e diferenças-em-diferenças são dois quadros quase-experimentais comuns baseados nessa lógica.

Vale lembrar: nenhum desses métodos resolve todo tipo de endogeneidade. IV exige um instrumento defensável. Efeitos fixos não ajudam com simultaneidade. Randomização raramente está disponível para as questões que mais importam.

Variáveis instrumentais: um exemplo simples

O caso educação–renda deixa a mecânica concreta. A variável endógena é anos de estudo, endógena porque se correlaciona com habilidade não observada no termo de erro. Precisamos de um instrumento: algo que preveja quanto alguém estuda, mas afete a renda apenas via escolaridade.

Card (1995) propôs a proximidade de uma faculdade de quatro anos. Quem cresceu perto de uma faculdade enfrentou custos menores e estudou mais, em média. Se morar perto de uma faculdade não afeta diretamente os salários na vida adulta (controlando outros fatores de localização), então a proximidade atende à restrição de exclusão.

Primeiro estágio: regredir anos de escolaridade na proximidade da faculdade mais controles. Isso produz valores ajustados de educação que contêm apenas a variação gerada pela proximidade, não pela habilidade. Segundo estágio: regredir log do salário nesses valores ajustados. O coeficiente da educação ajustada estima o efeito causal da escolaridade sobre salários para as pessoas cuja educação de fato foi influenciada pela proximidade — o que os econometristas chamam de efeito médio local de tratamento (LATE).

O instrumento não dá o efeito médio para todo mundo. Ele fornece uma estimativa causal crível para os compliers, aqueles cuja escolaridade mudou por causa da proximidade. É uma limitação real de IV — mas uma limitação honesta.

Variáveis exógenas e endógenas em inferência causal

Na ótica da regressão, exogeneidade trata de correlação com o termo de erro. Na inferência causal, o foco é ligeiramente diferente: se uma variável é causa do desfecho por um caminho que você consegue isolar. No framework de DAGs (grafos acíclicos direcionados) associado ao trabalho de Judea Pearl, variáveis exógenas são nós sem pais no grafo. Confundidores são causas comuns de tratamento e desfecho — exatamente o que gera endogeneidade no sentido econométrico.

A conexão entre esses frameworks é real, mas nem sempre perfeita. A endogeneidade econométrica mapeia, em linhas gerais, para a existência de caminhos de traseira (backdoor) não bloqueados em um DAG. Controlar um confundidor corresponde a bloquear um caminho de traseira. IV corresponde a encontrar uma fonte exógena de variação no tratamento.

Um ponto importante: em modelos gráficos, uma variável pode ser exógena em um sistema e endógena em outro — exatamente como ilustra o exemplo educação–renda. A consequência prática é a mesma em qualquer framework: você precisa sustentar suas suposições causais, não apenas ajustar o modelo.

Variáveis exógenas vs. endógenas em machine learning

Em ML preditivo padrão, endogeneidade é amplamente irrelevante. Se seu objetivo é minimizar erro de previsão em dados de validação, não importa se seus atributos são exógenos. Um modelo com preditores endógenos ainda pode generalizar bem. O coeficiente viesado é um problema de interpretação, não de forecast.

A distinção passa a importar quando você interpreta coeficientes causalmente ou usa o modelo para guiar intervenções. Imagine uma empresa que treina um modelo de churn e atua sobre seus atributos, direcionando clientes com base no volume recente de chamados de suporte. Surge a pergunta causal: o volume de chamados causa churn, ou é sintoma da mesma insatisfação que impulsiona ambos? Tratar um preditor endógeno como se fosse causa pode levar a ações ineficientes ou contraproducentes.

Métodos de ML causal (double machine learning, causal forests, policy learning) incorporam explicitamente os requisitos de exogeneidade que o ML padrão ignora. Eles usam variação do tipo instrumental ou experimental para estimar efeitos robustos a endogeneidade. Exigem mais dados e suposições de identificação, mas são a ferramenta certa quando o objetivo é avaliar políticas, não apenas prever.

Equívocos comuns

Alguns mal-entendidos que você pode encontrar por aí:

Variáveis independentes são sempre exógenas

"Variável independente" significa apenas "preditor". Não diz nada sobre ser exógena. Na regressão de salários, educação é a variável independente — e é endógena. São classificações diferentes.

Endógena é sinônimo de variável dependente

"Variável dependente" é o desfecho modelado, o lado esquerdo. "Variável endógena" descreve um preditor correlacionado com o termo de erro, no lado direito. Elas podem se sobrepor em sistemas de equações simultâneas, mas não são sinônimos.

Exogeneidade significa não ter relação com outras variáveis

Exogeneidade não exige independência estatística dos demais regressores. Dois preditores podem ser correlacionados entre si e ambos serem exógenos — desde que nenhum se correlacione com o termo de erro. Exogeneidade diz respeito especificamente à relação com ε.

Controles estatísticos eliminam automaticamente a endogeneidade

Adicionar controles ajuda quando a endogeneidade vem de um fator omitido que você consegue observar e medir. Mas muitos confundidores (habilidade, motivação, redes sociais) são não observados. Incluir mais controles não resolve se a variável omitida crucial não está nos seus dados.

Conclusão

Exógena e endógena descrevem de onde vem uma variável e como ela se relaciona com o restante do modelo — não simplesmente em que lado da equação ela aparece. Um preditor é exógeno quando é determinado fora do sistema e não se correlaciona com o termo de erro. É endógeno quando está enredado com fatores não observados que também afetam o desfecho.

A distinção importa porque endogeneidade quebra o MQO. Variável omitida, simultaneidade e erro de mensuração criam correlação entre preditores e o termo de erro, empurrando as estimativas para números que não representam o efeito causal que você busca. Corrigir isso exige entender por que a endogeneidade surgiu e então escolher um método (instrumentos, efeitos fixos, desenho quase-experimental) adequado à fonte. Não há solução universal — e os métodos que mais se aproximam exigem suposições que você pode defender, mas nunca provar completamente.

Se quiser se aprofundar na mecânica de regressão por trás de tudo isso, nosso curso Intermediate Regression in R cobre os pressupostos em detalhes, e nosso curso Causal Inference with R pega exatamente de onde este artigo parou, incluindo variáveis instrumentais, diferenças-em-diferenças e regressão descontínua.