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

En utilisant des méthodes d'inférence causale modernes sur des données observationnelles de 12 039 enseignants-chercheurs de l'UNC, cette étude démontre que les femmes perçoivent un salaire environ 6 % inférieur à celui de leurs homologues masculins comparables, révélant ainsi des disparités structurelles dans le milieu universitaire.

L'essentiel

🎓 Le Grand Débat des Salaires à l'Université

Imaginez que vous êtes dans une immense université publique (le système de l'Université de Caroline du Nord). Il y a des milliers de professeurs, des hommes et des femmes, qui travaillent dur. On nous dit souvent que l'académie est un lieu de méritocratie : celui ou celle qui travaille le plus, publie le plus et a le plus d'expérience, gagne le plus. C'est la règle du jeu.

Mais, si l'on regarde simplement les chiffres bruts, une réalité saute aux yeux : les femmes gagnent environ 11,7 % de moins que les hommes.

La question est : Pourquoi ?
Est-ce parce qu'elles sont moins productives ? Parce qu'elles enseignent dans des matières moins payées ? Ou est-ce que, à travail égal, elles sont simplement payées moins ?

C'est là que les auteurs de cette étude, Zihan Zhang et Jan Hannig, entrent en scène avec leurs "loupes magiques" statistiques.

🔍 La Loupe Magique : La "Causalité"

Avant cette étude, on utilisait souvent des méthodes simples (comme des régressions linéaires) pour comparer les salaires. C'est un peu comme comparer deux voitures en regardant seulement leur couleur, sans tenir compte du moteur ou de l'usure des pneus.

Les chercheurs ont utilisé des outils plus sophistiqués, qu'on appelle des méthodes d'inférence causale. Imaginez que vous vouliez tester si un médicament fonctionne. La seule façon sûre est de faire un test où un groupe prend le médicament et l'autre un placebo, tout en étant identiques par ailleurs.

Dans la vraie vie, on ne peut pas changer le genre d'une personne pour voir ce qui se passe. Alors, les chercheurs ont créé une simulation virtuelle :

1. Ils ont pris des femmes et des hommes qui sont presque identiques : même rang (professeur, maître de conférences), même discipline (médecine, histoire, ingénierie), même nombre d'années d'expérience, et même nombre de publications scientifiques.
2. Ils ont utilisé une technique appelée "Appariement par score de propension" (comme un algorithme de rencontre très strict qui ne met en couple que des gens parfaitement compatibles) pour trouver ces paires parfaites.
3. Ensuite, ils ont utilisé une méthode encore plus intelligente, les "Forêts Causales" (des arbres de décision géants qui apprennent des modèles complexes), pour voir comment le salaire varie selon les situations.

📉 Le Résultat : Le "Fossé" Persiste

Même après avoir mis toutes les femmes et tous les hommes dans des conditions parfaitement égales (même travail, même expérience, même réussite), le résultat est sans appel :

Les femmes gagnent encore environ 6 % de moins que leurs collègues hommes.

C'est comme si deux coureurs partaient avec les mêmes chaussures, le même entraînement et la même distance à parcourir, mais que l'un d'eux avait un petit poids invisible attaché à sa cheville. Ce poids, c'est le genre.

🗺️ La Carte des Inégalités : Ce n'est pas partout pareil

L'étude ne s'arrête pas à une moyenne globale. Elle utilise la "Forêt Causale" pour explorer les détails, un peu comme un détective qui regarde les inégalités dans chaque quartier de la ville.

Voici ce qu'ils ont découvert :

• Le Quartier "Médecine et Santé" (MHS) : C'est ici que l'injustice est la plus forte. Les femmes dans ce domaine gagnent environ 7 % de moins que les hommes, et cet écart s'aggrave même quand elles deviennent très productives. C'est comme si, dans ce quartier, le plafond de verre était plus bas et plus épais.
• Les Autres Quartiers (Sciences, Arts, Business) : L'écart est un peu plus faible (autour de 5,5 % à 6 %), mais il est toujours là.
• Le Paradoxe des Arts : Dans les Arts et Humanités, avoir beaucoup de citations (être très célèbre) ne fait même pas augmenter le salaire, et cela semble même pénaliser les salaires. C'est étrange, comme si le succès académique n'était pas récompensé de la même manière selon la matière.

🧩 Pourquoi est-ce important ?

Cette étude est importante car elle ne se contente pas de dire "il y a un problème". Elle dit : "Le problème est structurel."

Ce n'est pas parce que les femmes choisissent des métiers moins payés ou travaillent moins. Même quand on contrôle tout cela, l'écart reste. Cela suggère que le système lui-même a des biais invisibles : peut-être que les femmes sont moins bien négociées lors de l'embauche, ou que leurs contributions sont sous-estimées lors des promotions.

🛠️ La Conclusion : Que faire ?

Les auteurs suggèrent que les universités doivent arrêter de regarder les moyennes globales. Il faut regarder les détails :

• Faire des audits réguliers des salaires, matière par matière.
• Être transparent sur les critères de salaire.
• Surveiller les carrières dès le début pour s'assurer que les femmes ne prennent pas de retard.

En résumé, cette étude utilise les mathématiques les plus modernes pour prouver ce que beaucoup soupçonnaient : l'égalité des chances dans l'enseignement supérieur n'est pas encore une réalité. Même avec les mêmes diplômes et le même travail, le genre reste un obstacle invisible au salaire.

Résumé technique

1. Problématique et Contexte

L'étude aborde la persistance des écarts de rémunération entre les sexes dans le milieu universitaire, un problème central en économie du travail et en sciences sociales. Bien que la littérature antérieure (depuis Blinder [1973] et Oaxaca [1973]) ait documenté ces disparités, la plupart des analyses reposent sur des méthodes associatives (régressions linéaires, décompositions Oaxaca-Blinder) qui ne permettent pas d'estimer des résultats contrefactuels ni de gérer pleinement les biais de sélection et les facteurs de confusion non observés.

Le marché du travail académique, censé être méritocratique, présente un paradoxe : même en contrôlant le rang, la discipline et la productivité de recherche, les femmes perçoivent des salaires inférieurs à ceux de leurs homologues masculins. L'objectif de cette recherche est de dépasser les simples corrélations pour estimer l'effet causal du genre sur les salaires des professeurs, en utilisant des méthodes d'inférence causale modernes sur des données observationnelles à grande échelle.

2. Données et Variables

Les auteurs ont compilé une base de données exhaustive provenant du système universitaire public de Caroline du Nord (UNC), couvrant 16 campus.

• Échantillon : 12 039 membres du corps professoral à temps plein (postes tenure-track : Assistant, Associé, Professeur) pour l'année 2022.
• Variable de résultat : Le salaire annuel, transformé en logarithme ($\log_{10}$) pour normaliser la distribution asymétrique à droite.
• Variable d'exposition (Traitement) : Le genre (Féminin vs Masculin), inféré via l'API Genderize sur les prénoms, puis vérifié manuellement pour les cas ambigus.
• Covariables de confusion ($X_i$) :
  • Expérience professionnelle (années de service).
  • Rang académique (Titre).
  • Classification de l'université (selon la classification Carnegie : R1, R2, Master/Bachelor).
  • Discipline (regroupée en 6 grands domaines : Sciences médicales, Ingénierie, Sciences sociales, etc.).
  • Productivité de recherche : Mesurée par l'indice $i10$ (nombre de publications avec au moins 10 citations) issu de Google Scholar, transformé en $\log_{10}$. Pour les 58,6 % de professeurs sans profil Google Scholar, une imputation par la moyenne de profils similaires a été effectuée.

3. Méthodologie

L'article adopte un cadre d'inférence causale reposant sur trois hypothèses clés : l'absence de confusion non mesurée (unconfoundedness), la positivité (overlap) et l'hypothèse SUTVA. Pour estimer l'effet causal, les auteurs combinent des approches paramétriques et non paramétriques.

A. Approches Paramétriques (Basées sur le Score de Propension)

Les auteurs utilisent un score de propension estimé par régression logistique avec des termes d'interaction complexes (Université $\times$ Département $\times$ Productivité ; Titre $\times$ Années d'expérience) pour équilibrer les groupes. Trois stratégies sont employées :

1. Appariement par Score de Propension (PSM) : Appariement par voisins les plus proches (caliper 0.2) pour estimer l'effet moyen du traitement sur les traités (ATT).
2. Pondération par l'Inverse de la Probabilité de Traitement (IPTW) : Pour estimer l'effet moyen du traitement (ATE) sur la population globale.
3. Ajustement par Régression avec Score de Propension : Utilisation du score estimé comme covariable dans un modèle de régression linéaire.

B. Approche Non-Paramétrique : Forêts Causales (Causal Forests)

Pour capturer l'hétérogénéité de l'effet du traitement (CATE) et les relations non linéaires complexes, les auteurs utilisent l'algorithme des Forêts Causales (Athey & Imbens, 2016 ; Wager & Athey, 2018).

• Cette méthode estime l'effet causal conditionnel $\tau(X_i)$ pour chaque individu en fonction de ses caractéristiques observées.
• Elle utilise une stratégie d'estimation « honnête » (honest estimation) par séparation des échantillons pour éviter le surajustement.
• Elle permet d'identifier comment l'écart salarial varie selon le sous-groupe (discipline, niveau de productivité, carrière).

4. Résultats Principaux

A. Écart Salarial Global

L'analyse descriptive non ajustée montre un écart brut de 11,71 % en faveur des hommes. Cependant, après ajustement causal pour les facteurs de confusion (rang, discipline, expérience, productivité), l'écart persiste mais se réduit :

• PSM (ATT) : -6,61 % (les femmes gagnent 6,61 % de moins).
• IPTW (ATE) : -6,17 %.
• Régression avec Score : -6,45 %.
• Forêt Causale (ATE sur la population de chevauchement) : -5,96 %.

Ces résultats, cohérents à travers différentes méthodes, indiquent un biais structurel significatif non expliqué par les caractéristiques observables.

B. Hétérogénéité de l'Effet (Analyse par Sous-groupes)

L'analyse par Forêts Causales révèle que l'écart n'est pas uniforme :

• Discipline : L'inéquité est la plus marquée dans les Sciences Médicales et de la Santé (MHS), où les femmes subissent une pénalité d'environ 7 %, persistant à tous les stades de carrière. Les écarts sont légèrement plus faibles dans les Sciences Naturelles et Sociales (~5,5 %) et autour de 6 % dans les Arts, Humanités et Ingénierie.
• Productivité de recherche : Dans les MHS, l'écart s'aggrave aux niveaux de productivité intermédiaires avant de légèrement diminuer aux niveaux très élevés, mais reste élevé. Dans d'autres disciplines, l'écart est plus stable.
• Carrière : L'écart tend à se maintenir ou à s'élargir légèrement avec l'expérience dans les MHS, suggérant des barrières structurelles persistantes.

C. Interactions Discipline-Institution

Les résultats montrent que la productivité de recherche est fortement récompensée en termes salariaux dans les disciplines orientées vers la recherche (Business, MHS) au sein des universités R1, mais peut être négativement corrélée aux salaires dans les Arts/Humanités ou les institutions axées sur l'enseignement, soulignant la complexité des normes disciplinaires.

5. Contributions et Signification

Contributions Clés :

1. Estimation Causale Robuste : L'étude fournit l'une des premières estimations causales rigoureuses de l'écart salarial de genre dans un système universitaire public complet, dépassant les limites des régressions linéaires traditionnelles.
2. Cartographie de l'Hétérogénéité : En utilisant les forêts causales, l'article démontre que l'écart salarial est structurellement hétérogène, variant significativement selon la discipline et le niveau de productivité, ce qui serait masqué par une moyenne globale.
3. Reproductibilité : Le flux de travail intégrant les données de salaires publiques, les métriques bibliométriques (Google Scholar) et les méthodes d'inférence causale est rendu public, offrant un modèle pour des audits d'équité futurs.

Signification et Implications :
Les résultats confirment l'existence de disparités structurelles profondes dans le système universitaire de Caroline du Nord. Le fait que l'écart persiste (environ 6 %) même après un contrôle strict de la productivité et du rang suggère que des mécanismes discriminatoires ou des biais systémiques (négociation salariale, attribution de ressources, biais d'évaluation) sont à l'œuvre.
L'étude recommande des réformes politiques ciblées :

• Augmentation de la transparence salariale.
• Audit d'équité réguliers désagrégés par discipline et stade de carrière.
• Interventions spécifiques pour les domaines où l'inéquité est la plus aiguë (notamment les Sciences Médicales).
• Révision des critères d'évaluation de la productivité, qui semblent mal adaptés aux Humanités et aux Sciences Sociales.

En conclusion, cette recherche démontre la puissance des méthodes d'inférence causale modernes pour diagnostiquer les inégalités complexes dans les systèmes sociaux et fournit des preuves empiriques solides pour guider les interventions en matière d'équité salariale.