Evaluating Gender Wage Inequality in Academia using Causal Inference Methods for Observational Data

Este estudio aplica métodos de inferencia causal, como el emparejamiento por puntuación de propensión y los bosques causales, a datos de 12.039 profesores de la Universidad de Carolina del Norte para demostrar que las mujeres ganan aproximadamente un 6% menos que sus colegas hombres con características similares, revelando disparidades estructurales que varían según la etapa de la carrera y la productividad investigadora.

Lo esencial

Imagina que la vida académica es como una gran carrera de obstáculos dentro de un sistema de universidades públicas. En esta carrera, los profesores compiten por llegar a la meta: un salario justo y una carrera exitosa.

El objetivo de este estudio, realizado por investigadores de la Universidad de Carolina del Norte, fue responder a una pregunta muy simple pero difícil de probar: ¿Las mujeres ganan menos que los hombres en esta carrera, incluso cuando tienen las mismas habilidades, experiencia y logros?

Aquí te explico cómo lo hicieron y qué descubrieron, usando analogías sencillas:

1. El Problema: "Mirar solo la superficie"

Antes de usar métodos avanzados, si simplemente miramos los salarios brutos, vemos una gran diferencia: las mujeres ganan un 11.7% menos que los hombres.

• La analogía: Imagina que comparas el peso de dos cajas. Una caja es de un profesor senior (con 30 años de experiencia) y la otra de una profesora junior (con 2 años). La caja senior pesa más. ¿Es porque es mujer? No, es porque tiene más "peso" en experiencia.
• El desafío: En el mundo real, las mujeres a menudo están en puestos junior, en departamentos con menos presupuesto o tienen menos publicaciones. Si no ajustamos por estas diferencias, no sabemos si el salario bajo es por ser mujer o por tener menos "equipaje" de carrera.

2. La Solución: "El Laboratorio de Realidad Virtual" (Inferencia Causal)

Para saber la verdad, los investigadores usaron herramientas estadísticas modernas (como Propensity Score Matching y Causal Forests).

• La analogía: Imagina que tienes un simulador de realidad virtual. En este simulador, tomas a una profesora real y creas una "doble virtual" idéntica en todo: misma universidad, misma especialidad, misma cantidad de años trabajando, misma cantidad de libros publicados y mismas citas en Google Scholar. La única diferencia es que la doble virtual es un hombre.
• Luego, comparas el salario de la profesora real con el de su doble virtual hombre. Si la real gana menos, ese es el "impuesto de género", porque todo lo demás es idéntico.

3. Los Resultados: El "Impuesto de Género" Real

Después de hacer este ejercicio de "doble virtual" miles de veces con datos de más de 12,000 profesores, descubrieron:

• La brecha real: Incluso cuando las mujeres tienen el mismo rango, experiencia y productividad que los hombres, siguen ganando aproximadamente un 6% menos.
• La analogía: Es como si en la carrera de obstáculos, a las mujeres se les pusiera una mochila extra de 6 libras que a los hombres no se les pone, aunque ambos corran a la misma velocidad y tengan el mismo calzado.

4. Dónde duele más: El "Mapa de Calor"

El estudio no solo miró el promedio, sino que usó un "bosque causal" (una herramienta que busca patrones complejos) para ver dónde la desigualdad es peor.

• El hallazgo: La desigualdad no es igual en todas partes. Es como si el clima de la carrera fuera diferente según el departamento.
  • Medicina y Ciencias de la Salud: Aquí es donde la "mochila extra" es más pesada. Las mujeres en medicina ganan casi un 7% menos que sus colegas hombres, incluso siendo muy productivas.
  • Otras áreas: En Ciencias Naturales o Sociales, la brecha es un poco menor (alrededor del 5.5%), pero sigue existiendo.
  • El misterio de las Humanidades: Curiosamente, en Artes y Humanidades, tener muchas citas en Google Scholar a veces no ayuda a subir el salario, lo que sugiere que las reglas de juego son muy diferentes en estas áreas.

5. ¿Por qué importa esto?

El estudio concluye que el sistema no es tan "meritocrático" (basado solo en el mérito) como creemos.

• La metáfora final: Imagina que el sistema académico es un juego de mesa. Las reglas dicen que "quien más puntos tenga, gana más dinero". Pero el estudio muestra que, aunque las mujeres tienen los mismos puntos que los hombres, el tablero está ligeramente inclinado en su contra.
• La recomendación: No basta con decir "contratemos más mujeres". Las universidades necesitan revisar sus reglas de pago, hacerlas transparentes y asegurarse de que, en departamentos como Medicina, el mérito se traduzca en el mismo salario para todos, sin importar el género.

En resumen: Usando tecnología estadística avanzada para simular "gemelos" de hombres y mujeres, los investigadores demostraron que, en el sistema universitario de Carolina del Norte, ser mujer cuesta un 6% de salario extra, y este costo es aún más alto en el campo de la medicina.

Resumen técnico

Resumen Técnico: Evaluación de la Desigualdad Salarial de Género en la Academia mediante Métodos de Inferencia Causal

1. Planteamiento del Problema

La brecha salarial de género en la academia es un fenómeno persistente y complejo. Aunque la literatura económica ha distinguido históricamente entre disparidades debidas a características productivas y aquellas derivadas de instituciones del mercado laboral, el mercado académico presenta un caso particularmente difícil de analizar. A pesar de controlar variables como rango académico, disciplina y producción de investigación, las ecuaciones salariales estándar siguen mostrando ingresos más bajos para las mujeres.

El problema central abordado en este estudio es la limitación de los métodos empíricos tradicionales (como descomposiciones Oaxaca-Blinder o regresiones lineales simples) en estudios observacionales. Estos métodos:

• No pueden estimar resultados contrafactuales (¿cuánto ganaría una mujer si fuera un hombre con las mismas características?).
• No logran ajustar completamente por confusores no observados (interrupciones de carrera, cargas de servicio desiguales).
• Asumen efectos de tratamiento homogéneos, ignorando cómo la brecha salarial puede variar según la etapa de la carrera, la productividad o la institución.

El objetivo es utilizar métodos modernos de inferencia causal para estimar el efecto causal del género sobre los salarios, aislando la discriminación estructural de las diferencias observables en características profesionales.

2. Metodología

A. Datos y Variables

• Fuente: Se utilizó un conjunto de datos masivo de 12,039 profesores con contrato de permanencia (tenure-track) de los 16 campus del sistema universitario público de Carolina del Norte (UNC) correspondientes al año 2022.
• Variables de Resultado: Salario anual (transformado a logaritmo base 10 para normalizar la distribución sesgada a la derecha).
• Tratamiento: Género (Binario: Femenino = 1, Masculino = 0), inferido mediante la API Genderize y verificado manualmente para asegurar precisión.
• Covariables (Confounders):
  • Demográficas/Profesionales: Años de experiencia, rango académico (Asociado, Titular, Catedrático).
  • Institucionales: Clasificación de la universidad (según Carnegie: R1, R2, Maestría, Licenciatura) y departamento.
  • Productividad: Índice $i10$ (número de publicaciones con al menos 10 citas) de Google Scholar, transformado a logaritmo.
• Preprocesamiento: Se eliminaron personal no docente y salarios atípicos. Se imputaron valores faltantes de productividad basándose en perfiles similares.

B. Marco de Inferencia Causal
El estudio se basa en tres supuestos clave: inconfundibilidad (unconfoundedness), positividad (overlap) y SUTVA. Se emplearon dos enfoques principales:

1. Métodos Paramétricos (Basados en Puntuación de Propensión):

   • Propensity Score Matching (PSM): Emparejamiento por vecino más cercano con reemplazo y calibración (caliper) de 0.2 DE. Se ajustó mediante regresión lineal (OLS) en la muestra emparejada para corregir desequilibrios residuales. Este método estima el Efecto Promedio del Tratamiento en los Tratados (ATT).
   • Inverse Probability Treatment Weighting (IPTW): Ponderación inversa para crear una población pseudo-aleatorizada, estimando el Efecto Promedio del Tratamiento (ATE).
   • Ajuste de Regresión con Puntuación de Propensión: Inclusión de la puntuación de propensión estimada como covariable en el modelo de resultado.

2. Método No Paramétrico (Bosques Causales / Causal Forests):

   • Implementado mediante el paquete grf en R.
   • Utiliza un enfoque de "doble aprendizaje automático" (double machine learning) y división de muestras (honest splitting) para reducir el sobreajuste y el sesgo.
   • Estima el Efecto Promedio del Tratamiento Condicional (CATE), permitiendo modelar la heterogeneidad del efecto del género en función de covariables complejas (interacciones no lineales entre rango, disciplina y productividad).

3. Contribuciones Clave

1. Estimación Causal Robusta: Proporciona una estimación causal de la brecha salarial en un sistema universitario público completo, superando las limitaciones de los estudios descriptivos o de una sola institución.
2. Análisis de Heterogeneidad: A diferencia de estudios anteriores que se centran en promedios globales, este trabajo utiliza bosques causales para revelar cómo la brecha varía sistemáticamente según la etapa de la carrera, la disciplina y el nivel de productividad.
3. Flujo de Trabajo Reproducible: Se libera un flujo de trabajo que integra datos públicos de salarios, métricas bibliométricas de Google Scholar y técnicas de inferencia causal moderna, diseñado para auditorías de equidad en otros sistemas académicos.

4. Resultados Principales

A. Brecha Salarial Global

• Análisis Descriptivo: Sin ajustes, la brecha salarial es del 11.71% (las mujeres ganan menos).
• Análisis Causal Ajustado: Tras controlar por rango, disciplina, experiencia y productividad, la brecha persiste significativamente:
  • PSM (ATT): 6.61% de diferencia a favor de los hombres.
  • IPTW (ATE): 6.17%.
  • Ajuste de Regresión: 6.45%.
  • Bosques Causales (ATE en población de superposición): 5.96%.
• Conclusión: Incluso después de ajustar por características observables, existe una penalización salarial estructural de aproximadamente 6% a 7% para las mujeres.

B. Heterogeneidad del Efecto (Análisis de Bosques Causales)

• Disciplina: La desigualdad no es uniforme. El campo de Medicina y Ciencias de la Salud (MHS) muestra la disparidad más aguda, con una penalización de aproximadamente 7% que se mantiene o incluso aumenta con la experiencia y la productividad intermedia.
• Comparación Disciplinaria: Las Ciencias Naturales y Sociales tienen brechas menores (~5.5%), mientras que Artes, Humanidades, Negocios e Ingeniería rondan el 6%.
• Productividad: En MHS, la brecha se ensancha en niveles intermedios de productividad, sugiriendo barreras estructurales específicas en este campo. En otras disciplinas, la brecha es más estable.
• Retornos a la Productividad: Se observan interacciones complejas; por ejemplo, en Humanidades, una mayor productividad (medida por citas) se asocia negativamente con el salario, mientras que en Negocios y Medicina (especialmente en instituciones R1) la productividad se recompensa fuertemente.

5. Significado e Implicaciones

• Evidencia de Discriminación Estructural: La persistencia de una brecha del ~6% tras un ajuste riguroso sugiere que las disparidades no se deben a diferencias en la productividad o el rango, sino a factores institucionales y estructurales (sesgos en la contratación, promoción o negociación salarial).
• Necesidad de Intervenciones Específicas: Las soluciones "talla única" son insuficientes. Las instituciones deben realizar auditorías de equidad desglosadas por disciplina, reconociendo que campos como Medicina y Salud requieren intervenciones prioritarias.
• Limitaciones de las Métricas: El estudio cuestiona la validez de las métricas bibliométricas estándar (como el índice h o i10) para evaluar el impacto en ciertas disciplinas (ej. Humanidades), donde estas métricas pueden correlacionarse negativamente con el salario.
• Recomendaciones de Política: Se aboga por una mayor transparencia salarial, criterios estandarizados de evaluación entre disciplinas y revisiones salariales proactivas para carreras tempranas.

En resumen, el artículo demuestra que los métodos de inferencia causal modernos son herramientas esenciales para desentrañar la complejidad de la desigualdad salarial en la academia, revelando patrones ocultos que los métodos tradicionales de regresión podrían pasar por alto.