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

Utilizzando metodi di inferenza causale su un dataset di oltre 12.000 docenti dell'Università della Carolina del Nord, lo studio stima che le docenti donne guadagnino circa il 6% in meno rispetto ai colleghi uomini a parità di condizioni, evidenziando disparità strutturali che variano in base allo stadio della carriera e alla produttività di ricerca.

L'essenziale

🎓 Il "Salario Segreto" delle Università: Chi guadagna di più e perché?

Immaginate le università come un enorme grande mercato delle mele. Ci sono migliaia di professori (i venditori) che vendono la loro conoscenza (le mele). La domanda è: le donne vendono mele della stessa qualità e quantità degli uomini, ma ricevono meno soldi?

Per anni, gli studiosi hanno guardato questo mercato e detto: "Le donne guadagnano meno". Ma non sapevano se era perché le loro mele erano davvero meno preziose (meno pubblicazioni, meno esperienza) o se c'era un prezzo ingiusto nascosto nel sistema.

Questo studio, fatto da due ricercatori dell'Università della Carolina del Nord, decide di smettere di guardare solo le etichette e di usare una macchina del tempo statistica (chiamata inferenza causale) per rispondere alla domanda: "Se due professori fossero identici in tutto, tranne che per il genere, quanto guadagnerebbero?"

Ecco come hanno fatto, passo dopo passo:

1. Il Grande Laboratorio di Mele (I Dati)

Gli autori hanno raccolto i dati di 12.039 professori di tutte le università pubbliche della Carolina del Nord. Hanno guardato:

• Quanto guadagnano.
• Da quanto tempo lavorano.
• Cosa insegnano (Matematica, Medicina, Arte, ecc.).
• Quanto sono famosi (quante volte le loro ricerche sono state citate da altri, come se fossero "like" su un social network accademico).
• Il loro genere (dedotto dai nomi, con un controllo umano per essere sicuri).

2. Il Problema: Non è una Semplice Confronto

Se guardiamo i dati grezzi, le donne guadagnano circa l'11,7% in meno degli uomini. Ma è come dire che un'auto rossa va più lenta di una blu solo perché è più vecchia.
Forse le donne sono più spesso "Assistenti" (livello junior) e gli uomini sono "Professori Ordinari" (livello senior)? Forse lavorano in dipartimenti dove i soldi scarseggiano?
Se non correggiamo questi fattori, stiamo confrontando mele con arance.

3. La Soluzione: La "Macchina del Tempo" (Metodi Causali)

Per capire la verità, gli autori hanno usato due strumenti magici:

• Il "Gemello Statistico" (Propensity Score Matching):
  Immaginate di prendere una professoressa di Medicina e cercare il suo "gemello" maschio perfetto: stessa età, stesso dipartimento, stesso numero di pubblicazioni, stessa università. Una volta trovati questi gemelli perfetti, confrontano i loro stipendi. Se la donna guadagna ancora meno, allora il problema non è il lavoro, ma il genere.
  Risultato: Anche con i gemelli perfetti, le donne guadagnano circa il 6,6% in meno.

• La "Foresta Magica" (Causal Forests):
  Questa è una tecnica più moderna, come un'intelligenza artificiale che non cerca una sola risposta media, ma guarda ogni singolo caso. Chiede: "Come cambia la disuguaglianza se sei un professore giovane? Se sei vecchio? Se lavori in Medicina? Se lavori in Arte?".
  Risultato: La disuguaglianza non è uguale per tutti. È come se la "tassa sul genere" cambiasse a seconda di dove ti trovi.

4. Le Scoperte Sorprendenti (Il Verdetto)

Ecco cosa hanno scoperto con le loro "lenti magiche":

• Il Divario Reale: Anche dopo aver tolto tutte le scuse (esperienza, dipartimento, pubblicazioni), le donne guadagnano comunque circa il 6% in meno rispetto agli uomini identici. È come se ci fosse un "sconto" automatico applicato al loro stipendio solo perché sono donne.
• Il Campo di Battaglia più Difficile: La disuguaglianza è peggiorata in un settore specifico: Medicina e Scienze della Salute. Qui, le donne guadagnano quasi il 7% in meno rispetto ai colleghi maschi, anche se lavorano duramente quanto loro. È come se in questo reparto il "prezzo" delle mele femminili fosse sistematicamente più basso.
• Il Paradosso delle Pubblicazioni: In alcuni settori (come Medicina), più pubblichi, più guadagni. In altri (come Arte e Umanistica), pubblicare di più non ti fa guadagnare di più, e anzi, a volte sembra che le donne vengano penalizzate di più in questi campi.
• Non è una cosa "media": La disuguaglianza non è la stessa per tutti. È più alta per chi è a metà carriera in Medicina, e più bassa (ma comunque presente) in Scienze Naturali o Sociali.

5. Perché è Importante? (La Morale della Favola)

Questo studio ci dice che il sistema accademico, che si vanta di essere basato sul "merito" (chi lavora di più vince), ha ancora delle crepe strutturali.

Non è che le donne lavorino meno o pubblichino meno. È che, a parità di merito, il sistema le paga meno. È come se in un gioco di calcio, due squadre giocassero allo stesso livello, ma una venisse pagata meno solo perché i giocatori portano un certo numero sulla maglia.

Cosa suggeriscono gli autori?
Le università devono smettere di guardare solo i numeri medi e iniziare a fare "ispezioni" specifiche:

• Controllare i dipartimenti dove la disuguaglianza è più alta (come la Medicina).
• Rivedere come valutano le pubblicazioni in settori come le Arti.
• Essere più trasparenti sugli stipendi.

In sintesi: Il divario di genere esiste davvero, è misurabile, e non è colpa delle donne. È un problema del sistema che deve essere aggiustato, pezzo per pezzo.

Sommario tecnico

Titolo

Valutazione della Disuguaglianza Salariale di Genere nell'Accademia tramite Metodi di Inferenza Causale su Dati Osservazionali

1. Il Problema

Lo studio affronta la persistenza del divario salariale di genere nel mercato del lavoro accademico, un settore che si fonda idealmente sulla meritocrazia. Nonostante decenni di ricerche (da Blinder e Oaxaca in poi) e un crescente numero di donne in ambito accademico, le donne continuano a guadagnare meno degli uomini a parità di rango, disciplina e output di ricerca.
Le limitazioni della letteratura esistente includono:

• L'uso prevalente di metodi associativi (es. decomposizioni Oaxaca-Blinder o regressioni lineari) che non possono stimare risultati controfattuali.
• La difficoltà nel distinguere tra disparità dovute a caratteristiche produttive osservabili e quelle derivanti da istituzioni di mercato o bias strutturali.
• La mancanza di evidenze causali robuste su come il divario vari in base al tipo di istituzione, allo stadio della carriera e alla performance di ricerca.
• La difficoltà nel controllare per fattori di confondimento non osservati (es. interruzioni di carriera, carichi di servizio disuguali) e per l'eterogeneità dell'effetto trattamento.

2. Metodologia

Gli autori applicano moderni metodi di inferenza causale a un dataset su larga scala per stimare l'effetto causale del genere sul salario, superando i limiti delle regressioni tradizionali.

Dati:

• Fonte: Record salariali del 2022 di 16 istituzioni del sistema universitario pubblico della Carolina del Nord (UNC).
• Campionamento: 12.039 docenti a tempo indeterminato (tenure-track).
• Variabili:
  • Outcome: Salario annuale (trasformato in log10 per normalizzare la distribuzione).
  • Trattamento: Genere (inferito tramite API Genderize e verificato manualmente per garantire accuratezza).
  • Covariate: Anni di servizio, rango accademico, classificazione dell'università (Carnegie), dipartimento (6 macro-aree disciplinari), e produttività di ricerca (misurata tramite l'indice i10 di Google Scholar, anch'esso trasformato in log10).

Quadro Causale:
Lo studio assume che, condizionando su un vettore di covariate osservabili ($X_i$), l'assegnazione del trattamento (genere) sia indipendente dai potenziali risultati (ipotesi di non confondimento). Vengono verificate le assunzioni chiave: non confondimento, positività (overlap) e SUTVA.

Approcci Analitici:

1. Metodi Parametrici:

   • Propensity Score Matching (PSM): Abbinamento dei vicini (nearest-neighbor) con calibrazione per stimare l'Effetto Medio sul Trattamento (ATT), seguito da aggiustamento di regressione per ridurre il bias residuo.
   • Inverse Probability Treatment Weighting (IPTW): Ponderazione inversa per stimare l'Effetto Medio del Trattamento (ATE) sulla popolazione totale.
   • Regressione con Punteggio di Propensione: Inclusione del punteggio di propensione come covariata nel modello.
   • Specificazione del Modello: Utilizzo di termini di interazione complessi (es. Università $\times$ Dipartimento $\times$ Produttività; Rango $\times$ Anni di servizio) per catturare la non linearità delle strutture salariali accademiche.

2. Metodo Non Parametrico:

   • Causal Forests: Implementazione di foreste casuali causali (Athey & Imbens, 2016) per stimare l'Effetto Medio Condizionale (CATE). Questo metodo permette di modellare interazioni ad alto ordine e non lineari senza specifiche funzionali predefinite, identificando l'eterogeneità dell'effetto trattamento in sottogruppi specifici.

3. Contributi Chiave

1. Stima Causale Robusta: Fornisce una stima causale del divario salariale di genere su un intero sistema universitario pubblico, superando le limitazioni delle analisi descrittive o di singole istituzioni.
2. Analisi dell'Eterogeneità: Utilizza i Causal Forests per andare oltre l'effetto medio, rivelando come il divario vari sistematicamente in base allo stadio della carriera, alla produttività di ricerca e alla disciplina.
3. Workflow Riproducibile: Rilascia un flusso di lavoro integrato che combina dati salariali pubblici, dati bibliometrici (Google Scholar) e tecniche avanzate di inferenza causale, adattabile per audit di equità in altri sistemi accademici.

4. Risultati Principali

Divario Salariale Non Aggiustato:
Le donne guadagnano in media il 11,71% in meno degli uomini ($118.460 vs $134.169).

Risultati Aggiustati (Inferenza Causale):
Dopo il controllo per rango, disciplina, esperienza e produttività di ricerca, il divario persiste ma si riduce, indicando che una parte significativa della disparità è strutturale e non spiegata dalle caratteristiche osservabili:

• PSM (ATT): Le donne guadagnano circa il 6,61% in meno.
• IPTW (ATE): Il divario è del 6,17%.
• Regressione con Punteggio di Propensione: Il divario è del 6,45%.
• Causal Forests (ATE): La stima è del 5,96%.

Eterogeneità dell'Effetto:

• Disciplina: Il divario è più acuto nelle Scienze Mediche e Sanitarie (MHS), dove le donne guadagnano circa il 7% in meno rispetto agli uomini comparabili. Questo svantaggio persiste e si amplia con l'esperienza. Al contrario, le differenze sono leggermente inferiori nelle Scienze Naturali e Sociali (5,5%) e nelle Arti/Scienze Umanistiche (6%).
• Produttività: Nelle Scienze Mediche, il divario tende ad ampliarsi a livelli intermedi di produttività di ricerca. In altre discipline, il divario rimane più stabile.
• Ritorno alla Produttività: Si osservano forti interazioni tra disciplina e tipo di istituzione. Ad esempio, nelle Scienze Mediche e Business nelle università R1, la produttività è fortemente premiata, mentre nelle Scienze Umanistiche le metriche bibliometriche mostrano spesso una correlazione negativa con lo stipendio.

5. Significato e Implicazioni

Lo studio dimostra che le disparità salariali di genere nell'accademia non sono semplicemente il risultato di differenze nelle caratteristiche individuali (come la produttività o il rango), ma riflettono disuguaglianze strutturali radicate nel sistema.

• Implicazioni Politiche: Sono necessarie riforme politiche comprehensive, tra cui una maggiore trasparenza salariale, la standardizzazione dei criteri di valutazione della ricerca tra le diverse discipline (specialmente per le Scienze Umanistiche) e audit regolari dell'equità disaggregati per stadio di carriera e campo di studio.
• Interventi Mirati: Le istituzioni dovrebbero implementare interventi specifici, come mentoring per le carriere iniziali e revisioni salariali "fuori scala" per affrontare le disparità prima che si consolidino.
• Limiti: Lo studio è trasversale (non cattura l'evoluzione temporale) e si basa su Google Scholar, che potrebbe sottostimare contributi come l'insegnamento o il servizio istituzionale. Tuttavia, l'uso di metodi causali avanzati offre una visione più credibile e sfumata delle disuguaglianze rispetto alle analisi tradizionali.

In sintesi, il paper conferma che, anche in un sistema pubblico con dati trasparenti, esiste un "penalità di genere" strutturale di circa il 6-7%, che varia significativamente a seconda del contesto disciplinare e della carriera, richiedendo approcci di policy differenziati.