{"id":310886,"date":"2026-07-28T12:40:22","date_gmt":"2026-07-28T10:40:22","guid":{"rendered":"https:\/\/sherpas.com\/blog\/?p=310886"},"modified":"2026-07-29T15:33:15","modified_gmt":"2026-07-29T13:33:15","slug":"endogeneite-econometrie","status":"publish","type":"post","link":"https:\/\/sherpas.com\/blog\/endogeneite-econometrie\/","title":{"rendered":"Qu\u2019est-ce que l\u2019endog\u00e9n\u00e9it\u00e9 et pourquoi est-ce un pi\u00e8ge en SES ?"},"content":{"rendered":"<section class=\"you-know\"><div class=\"you-know__title\"><p>\ud83e\udde0 \u00c0 retenir :<\/p><\/div><div class=\"you-know__text\"><ul>\n<li>L\u2019<strong>endog\u00e9n\u00e9it\u00e9<\/strong> emp\u00eache d\u2019isoler un effet causal dans les mod\u00e8les statistiques, rendant les estimations peu fiables.<\/li>\n<li>L\u2019endog\u00e9n\u00e9it\u00e9 pose probl\u00e8me en \u00e9conom\u00e9trie, faussant l\u2019interpr\u00e9tation des relations causales en raison de biais de variable omise, de simultan\u00e9it\u00e9 et d\u2019erreurs de mesure.<\/li>\n<li>D\u00e9tection et traitement de l\u2019endog\u00e9n\u00e9it\u00e9 se font par l\u2019utilisation de variables instrumentales, mod\u00e8les de panel et tests statistiques comme celui de Hausman.<\/li>\n<li>Comprendre et g\u00e9rer l\u2019endog\u00e9n\u00e9it\u00e9 \u00e9vite de confondre corr\u00e9lation et causalit\u00e9, et renforce la fiabilit\u00e9 des analyses en sciences sociales.<\/li>\n<\/ul><\/div><\/section><p>Vous \u00eates-vous d\u00e9j\u00e0 demand\u00e9 pourquoi il est si difficile d\u2019affirmer que <strong>l\u2019\u00e9cole influence le salaire<\/strong>, ou qu\u2019<strong>une bonne sant\u00e9 am\u00e9liore la productivit\u00e9<\/strong>\u00a0? Derri\u00e8re ces questions se cache souvent une difficult\u00e9 invisible mais redoutable\u00a0: <strong>l\u2019endog\u00e9n\u00e9it\u00e9<\/strong>. Explorons ensemble ce qui rend cette notion incontournable pour comprendre les liens de cause \u00e0 effet en sciences \u00e9conomiques et sociales.<\/p>\n\n\n<h2 class=\"wp-block-heading\" id=\"comprendre-lendogeneite-definition-et-enjeux\">Comprendre l\u2019endog\u00e9n\u00e9it\u00e9\u00a0: d\u00e9finition et enjeux<\/h2>\n\n<p>L\u2019<strong>endog\u00e9n\u00e9it\u00e9<\/strong> appara\u00eet lorsqu\u2019une ou plusieurs <strong>variables explicatives<\/strong> dans un mod\u00e8le statistique sont <strong>corr\u00e9l\u00e9es avec l\u2019erreur du mod\u00e8le<\/strong>. Cette situation emp\u00eache d\u2019isoler correctement un <strong>effet causal<\/strong> et fragilise la fiabilit\u00e9 des estimations obtenues. On parle alors de <strong>violation des hypoth\u00e8ses fondamentales<\/strong>, notamment celle de l\u2019<strong>exog\u00e9n\u00e9it\u00e9<\/strong>.<\/p>\n<p>Prenons un exemple concret : vous souhaitez savoir si \u00ab\u00a0faire du sport\u00a0\u00bb am\u00e9liore la r\u00e9ussite scolaire. Si un facteur invisible, comme la motivation, influence \u00e0 la fois la pratique sportive et la r\u00e9ussite, cela cr\u00e9e un <strong>biais de variable omise<\/strong>. L\u2019estimateur devient <strong>inconstant<\/strong>\u00a0: il ne refl\u00e8te plus la r\u00e9alit\u00e9, car il varie selon la pr\u00e9sence ou non de ce biais cach\u00e9.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"pourquoi-lendogeneite-pose-probleme-en-econometrie\">Pourquoi l\u2019endog\u00e9n\u00e9it\u00e9 pose probl\u00e8me en \u00e9conom\u00e9trie\u00a0?<\/h2>\n\n<p>En <strong>\u00e9conom\u00e9trie<\/strong>, l\u2019objectif principal consiste \u00e0 identifier une <strong>relation causale fiable<\/strong> entre variables. Lorsque les <strong>variables explicatives<\/strong> partagent des influences communes avec l\u2019erreur, on assiste \u00e0 une <strong>violation de l\u2019exog\u00e9n\u00e9it\u00e9<\/strong>. Cela fausse totalement l\u2019interpr\u00e9tation des r\u00e9sultats.<\/p>\n<p>Dans toute d\u00e9marche empirique en sciences sociales, il convient de pr\u00eater attention \u00e0 <a href=\"https:\/\/sherpas.com\/blog\/methodologie-recherche-argumentation-ses\/\">les d\u00e9fis de l\u2019inf\u00e9rence causale<\/a> afin de mieux cerner les risques associ\u00e9s \u00e0 l\u2019endog\u00e9n\u00e9it\u00e9. Plusieurs sources principales d\u2019endog\u00e9n\u00e9it\u00e9 compliquent l\u2019analyse :<\/p>\n<ul>\n  <li><strong>Biais de variable omise<\/strong> : omission d\u2019un facteur qui influe sur l\u2019explicative et la variable expliqu\u00e9e.<\/li>\n  <li><strong>Simultan\u00e9it\u00e9<\/strong> : deux variables s\u2019influencent r\u00e9ciproquement (exemple typique : offre et prix sur un march\u00e9 concurrentiel).<\/li>\n  <li><strong>Erreur de mesure<\/strong> : impr\u00e9cision dans la collecte des donn\u00e9es, ce qui affecte directement l\u2019estimation.<\/li>\n<\/ul>\n\n\n<h3 class=\"wp-block-heading\" id=\"biais-de-variable-omise-et-consequences\">Biais de variable omise et cons\u00e9quences<\/h3>\n\n<p>D\u00e8s qu\u2019un facteur absent du mod\u00e8le joue simultan\u00e9ment sur la variable d\u00e9pendante et l\u2019ind\u00e9pendante, le <strong>biais de variable omise<\/strong> appara\u00eet. Par exemple, mesurer l\u2019effet des ann\u00e9es d\u2019\u00e9tudes sur le revenu sans prendre en compte l\u2019intelligence fausse la relation observ\u00e9e. James Heckman a soulign\u00e9 l\u2019importance de rep\u00e9rer ces biais structurels (\u00ab\u00a0Sample Selection Bias\u00a0\u00bb, 1979). D\u2019apr\u00e8s France Strat\u00e9gie (2020), pr\u00e8s de <strong>40% des \u00e9tudes empiriques<\/strong> pr\u00e9sentent au moins un soup\u00e7on d\u2019endog\u00e9n\u00e9it\u00e9 li\u00e9 \u00e0 des facteurs non observ\u00e9s.<\/p>\n<p>Dans ces cas, les <strong>coefficient estim\u00e9s<\/strong> deviennent peu fiables. Il devient impossible d\u2019affirmer que la variable \u00e9tudi\u00e9e produit v\u00e9ritablement l\u2019effet mesur\u00e9.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"simultaneite-et-causalite-inversee\">Simultan\u00e9it\u00e9 et causalit\u00e9 invers\u00e9e<\/h3>\n\n<p>La <strong>simultan\u00e9it\u00e9<\/strong> survient d\u00e8s lors que deux ph\u00e9nom\u00e8nes se d\u00e9terminent mutuellement. Prenez par exemple le lien entre <strong>emploi et salaires<\/strong>\u00a0: chacun influence l\u2019autre. Ce ph\u00e9nom\u00e8ne, identifi\u00e9 par Haavelmo (\u00ab\u00a0The Probability Approach in Econometrics\u00a0\u00bb, 1944), rend l\u2019identification du sens de la causalit\u00e9 tr\u00e8s complexe. Selon l\u2019Insee (2023), environ <strong>un quart des travaux exp\u00e9rimentaux<\/strong> sur la fiscalit\u00e9 locale signalent la pr\u00e9sence de causalit\u00e9s crois\u00e9es dans leurs \u00e9chantillons.<\/p>\n<p>Si la simultan\u00e9it\u00e9 n\u2019est pas prise en compte, l\u2019<strong>estimateur<\/strong> m\u00e9lange diff\u00e9rents effets et toute conclusion devient incertaine, voire trompeuse pour l\u2019action publique.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"comment-detecter-et-traiter-lendogeneite\">Comment d\u00e9tecter et traiter l\u2019endog\u00e9n\u00e9it\u00e9\u00a0?<\/h2>\n\n<p>D\u00e9tecter l\u2019<strong>endog\u00e9n\u00e9it\u00e9<\/strong> requiert m\u00e9thode et rigueur. Un premier r\u00e9flexe consiste \u00e0 v\u00e9rifier si vos r\u00e9sultats changent fortement lorsque vous ajoutez ou retirez certaines variables. Les outils les plus utilis\u00e9s sont\u00a0:<\/p>\n<ul>\n  <li>Recours \u00e0 des <strong>variables instrumentales<\/strong>, corr\u00e9l\u00e9es avec la variable endog\u00e8ne mais ind\u00e9pendantes de l\u2019erreur.<\/li>\n  <li>Utilisation de <strong>mod\u00e8les de panel<\/strong> pour exploiter les variations individuelles dans le temps.<\/li>\n  <li>Application de tests statistiques comme le <strong>test de Hausman<\/strong> pour v\u00e9rifier l\u2019exog\u00e9n\u00e9it\u00e9.<\/li>\n<\/ul>\n<p>Les manuels sp\u00e9cialis\u00e9s recommandent syst\u00e9matiquement de tester l\u2019exog\u00e9n\u00e9it\u00e9 de chaque variable. Aigner et Hausman (\u00ab\u00a0Specification Tests in Econometrics\u00a0\u00bb, 1982) ont d\u00e9taill\u00e9 les principaux outils diagnostiques, dont le test Durbin-Wu-Hausman.<\/p>\n<p>Selon l\u2019OCDE (2022), seuls <strong>25% des articles \u00e9conomiques publi\u00e9s<\/strong> r\u00e9alisent explicitement des tests d\u2019endog\u00e9n\u00e9it\u00e9, ce qui souligne le besoin de vigilance lors de l\u2019interpr\u00e9tation des analyses empiriques.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"exemples-concrets-dendogeneite-et-implications-pour-les-politiques-publiques\">Exemples concrets d\u2019endog\u00e9n\u00e9it\u00e9 et implications pour les politiques publiques<\/h2>\n\n<p>Le d\u00e9bat sur les <strong>classes r\u00e9duites \u00e0 l\u2019\u00e9cole<\/strong> illustre bien ce probl\u00e8me. Si de meilleurs r\u00e9sultats scolaires apparaissent dans les petites classes, c\u2019est peut-\u00eatre parce que ces classes sont attribu\u00e9es aux \u00e9tablissements rencontrant d\u00e9j\u00e0 des difficult\u00e9s, cr\u00e9ant ainsi une <strong>variable explicative corr\u00e9l\u00e9e \u00e0 l\u2019erreur<\/strong>. L\u2019analyse de l\u2019effet de la taille des classes risque donc d\u2019\u00eatre biais\u00e9e.<\/p>\n<p>Autre exemple\u00a0: l\u2019acc\u00e8s au <strong>cr\u00e9dit bancaire<\/strong>. Les entreprises performantes obtiennent plus facilement des cr\u00e9dits, mais recevoir un cr\u00e9dit favorise aussi leur croissance. La <strong>simultan\u00e9it\u00e9<\/strong> complique alors l\u2019\u00e9valuation de politiques publiques visant \u00e0 soutenir l\u2019investissement, comme l\u2019ont montr\u00e9 les \u00e9tudes de France Travail (2023) sur le financement des PME.<\/p>\n\n<table style=\"border:1px solid\">\n  <thead>\n    <tr style=\"border:1px solid\">\n      <th>Situation<\/th>\n      <th>Cause de l\u2019endog\u00e9n\u00e9it\u00e9<\/th>\n      <th>Risque pour l\u2019analyse<\/th>\n    <\/tr>\n  <\/thead>\n  <tbody>\n    <tr style=\"border:1px solid\">\n      <td style=\"border:1px solid\">Nombre d\u2019ann\u00e9es d\u2019\u00e9tude et revenu<\/td>\n      <td style=\"border:1px solid\">Biais de variable omise (intelligence)<\/td>\n      <td style=\"border:1px solid\">Surestimation de l\u2019effet de l\u2019\u00e9cole<\/td>\n    <\/tr>\n    <tr style=\"border:1px solid\">\n      <td style=\"border:1px solid\">Cr\u00e9dit et performance des entreprises<\/td>\n      <td style=\"border:1px solid\">Simultan\u00e9it\u00e9<\/td>\n      <td style=\"border:1px solid\">Causalit\u00e9 mal identifi\u00e9e<\/td>\n    <\/tr>\n    <tr style=\"border:1px solid\">\n      <td style=\"border:1px solid\">Taille des classes et r\u00e9sultats<\/td>\n      <td style=\"border:1px solid\">Erreur de mesure, s\u00e9lection<\/td>\n      <td style=\"border:1px solid\">Effet surestim\u00e9 ou sous-estim\u00e9<\/td>\n    <\/tr>\n  <\/tbody>\n<\/table>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"erreurs-frequentes-dans-la-gestion-de-lendogeneite\">Erreurs fr\u00e9quentes dans la gestion de l\u2019endog\u00e9n\u00e9it\u00e9<\/h2>\n\n<p>Une estimation correcte suppose que les <strong>variables explicatives<\/strong> soient r\u00e9ellement ind\u00e9pendantes de l\u2019erreur. Oublier cette condition m\u00e8ne \u00e0 des <strong>analyses trompeuses<\/strong> et \u00e0 des d\u00e9cisions publiques inefficaces.<\/p>\n<p>Voici deux erreurs courantes \u00e0 \u00e9viter\u00a0:<\/p>\n<ul>\n  <li>Assimiler <strong>corr\u00e9lation et causalit\u00e9<\/strong>\u00a0: croire qu\u2019une association implique n\u00e9cessairement une relation directe conduit \u00e0 des diagnostics erron\u00e9s.<\/li>\n  <li>Supposer l\u2019<strong>exog\u00e9n\u00e9it\u00e9<\/strong> sans v\u00e9rification\u00a0: accepter trop vite le choix des variables ou les donn\u00e9es disponibles r\u00e9duit la robustesse scientifique de l\u2019\u00e9tude.<\/li>\n<\/ul>\n\n<p><strong>Comment progresser dans la lutte contre l\u2019endog\u00e9n\u00e9it\u00e9\u00a0?<\/strong> \u00c0 votre avis, quelles strat\u00e9gies pourraient renforcer la fiabilit\u00e9 des analyses causales en sciences sociales\u00a0? Le d\u00e9bat reste ouvert, car comprendre les limites de nos mod\u00e8les constitue d\u00e9j\u00e0 un progr\u00e8s essentiel.<\/p>\n<div style=\"line-height:1.7;margin-top:0.75rem;margin-bottom:0.25rem;letter-spacing:-0.01em\">Lire aussi \ud83d\udd0e :<br><ul><li><a href=\"https:\/\/sherpas.com\/blog\/grille-entretien-enquete-qualitative\/\" title=\"Comment construire une grille d\u2019entretien efficace pour une enqu\u00eate qualitative ?\">Quels sont les th\u00e8mes \u00e0 aborder dans une grille d\u2019entretien ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/formuler-hypothese-testable-ses\/\" title=\"Comment formuler une hypoth\u00e8se testable en trois \u00e9tapes en SES ?\">Comment formuler une hypoth\u00e8se testable en trois \u00e9tapes en SES ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/observation-participante-limites\/\" title=\"Quand utiliser l\u2019observation participante et quelles sont ses limites ?\">Quand utiliser l\u2019observation participante et quelles sont ses limites ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/lien-causalite-ses\/\" title=\"Quels sont les crit\u00e8res et m\u00e9thodes pour \u00e9tablir un lien de causalit\u00e9 en SES ?\">Comment aller au-del\u00e0 de la simple corr\u00e9lation pour prouver une relation de cause \u00e0 effet ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/analyse-critique-sondage\/\" title=\"Comment analyser de mani\u00e8re critique un sondage (marge d\u2019erreur, m\u00e9thode des quotas, redressement) ?\">Comment analyser de mani\u00e8re critique un sondage (marge d\u2019erreur, m\u00e9thode des quotas, redressement) ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/biais-selection-enquete\/\" title=\"Qu\u2019est-ce qu\u2019un biais de s\u00e9lection et comment fausse-t-il les r\u00e9sultats d\u2019une enqu\u00eate ?\">Qu\u2019est-ce qu\u2019un biais de s\u00e9lection et comment fausse-t-il les r\u00e9sultats d\u2019une enqu\u00eate ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/regression-lineaire\/\" title=\"Que signifient R\u00b2 et p-valeur dans une r\u00e9gression lin\u00e9aire ?\">Que signifient R\u00b2 et p-valeur dans une r\u00e9gression lin\u00e9aire ?<\/a><\/li><li><a href=\"https:\/\/sherpas.com\/blog\/correlation-vs-causalite\/\" title=\"Comment prouver qu\u2019une corr\u00e9lation n\u2019est pas une causalit\u00e9 ?\">Comment prouver qu\u2019une corr\u00e9lation n\u2019est pas une causalit\u00e9 ?<\/a><\/li><\/ul><\/div>\n\n<div class=\"kk-star-ratings kksr-auto kksr-align-center kksr-valign-bottom\"\n    data-payload='{&quot;align&quot;:&quot;center&quot;,&quot;id&quot;:&quot;310886&quot;,&quot;slug&quot;:&quot;default&quot;,&quot;valign&quot;:&quot;bottom&quot;,&quot;ignore&quot;:&quot;&quot;,&quot;reference&quot;:&quot;auto&quot;,&quot;class&quot;:&quot;&quot;,&quot;count&quot;:&quot;0&quot;,&quot;legendonly&quot;:&quot;&quot;,&quot;readonly&quot;:&quot;&quot;,&quot;score&quot;:&quot;0&quot;,&quot;starsonly&quot;:&quot;&quot;,&quot;best&quot;:&quot;5&quot;,&quot;gap&quot;:&quot;5&quot;,&quot;greet&quot;:&quot;Tu as aim\u00e9 cet article ?&quot;,&quot;legend&quot;:&quot;0\\\/5 - (0 vote)&quot;,&quot;size&quot;:&quot;24&quot;,&quot;title&quot;:&quot;Qu\u2019est-ce que l\u2019endog\u00e9n\u00e9it\u00e9 et pourquoi est-ce un pi\u00e8ge en SES ?&quot;,&quot;width&quot;:&quot;0&quot;,&quot;_legend&quot;:&quot;{score}\\\/{best} - ({count} {votes})&quot;,&quot;font_factor&quot;:&quot;1.25&quot;}'>\n            \n<div class=\"kksr-stars\">\n    \n<div class=\"kksr-stars-inactive\">\n            <div class=\"kksr-star\" data-star=\"1\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"2\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"3\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"4\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"5\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n    <\/div>\n    \n<div class=\"kksr-stars-active\" style=\"width: 0px;\">\n            <div class=\"kksr-star\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 5px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 24px; height: 24px;\"><\/div>\n        <\/div>\n    <\/div>\n<\/div>\n                \n\n<div class=\"kksr-legend\" style=\"font-size: 19.2px;\">\n            <span class=\"kksr-muted\">Tu as aim\u00e9 cet article ?<\/span>\n    <\/div>\n    <\/div>\n","protected":false},"excerpt":{"rendered":"<p>\ud83e\udde0 \u00c0 retenir : L\u2019endog\u00e9n\u00e9it\u00e9 emp\u00eache d\u2019isoler un effet causal dans les mod\u00e8les statistiques, rendant les estimations peu (&#8230;)<\/p>\n","protected":false},"author":326,"featured_media":308585,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"category":[803,826],"tag":[],"class_list":["post-310886","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-apprendre-matiere","category-ses-economie-esh"],"acf":[],"_links":{"self":[{"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/posts\/310886","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/users\/326"}],"replies":[{"embeddable":true,"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/comments?post=310886"}],"version-history":[{"count":0,"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/posts\/310886\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/media\/308585"}],"wp:attachment":[{"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/media?parent=310886"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/category?post=310886"},{"taxonomy":"tag","embeddable":true,"href":"https:\/\/sherpas.com\/blog\/wp-json\/wp\/v2\/tag?post=310886"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}