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

この論文は、因果推論手法を用いてUNC システムの 12,039 名の教員データを分析し、ランクや研究生産性などの交絡因子を調整した結果、女性教員は同等の男性教員に比べて約 6% 低い給与を受け取っていることを示しました。

要約

この論文は、**「大学の先生たちの給料に、性別による不公平な差があるのか？」**という疑問を、最新の統計の「魔法の道具」を使って解き明かした研究です。

アメリカのノースカロライナ州にある公立大学システム（16 校）の教員約 12,000 人のデータを分析しました。

この難しい研究を、誰でもわかるように**「料理の味比べ」や「スポーツの記録」**に例えて説明しますね。

---

1. 問題：「見かけの差」と「本当の差」の区別

まず、単純に「男性の平均給料」と「女性の平均給料」を比べると、女性は男性より約 12% 安いことがわかりました。
しかし、これだけだと「女性だから安い」とは言い切れません。

• 料理の例え：
  高級なステーキ（教授）と、ハンバーガー（助手）の価格を比べたら、ステーキの方が高いのは当然ですよね。
  もし「女性の方がハンバーガーを食べているから、平均すると安い」という理由なら、それは「性別のせい」ではなく「食べるものの違い（職位や分野の違い）」です。

この研究では、「同じ職位（教授か助手か）、同じ分野（医学か文学か）、同じ研究実績」を持つ男性と女性を、まるで双子のようにペアにして比較しました。これを統計学では「因果推論」と呼びます。

2. 使った「魔法の道具」

普通の計算方法（回帰分析）だと、見落としがあるかもしれません。そこで、この論文では 2 つの最新の「道具」を使いました。

• 道具 A：プロペンススコアマッチング（PSM）

  • イメージ： 「完璧な双子探しゲーム」。
  • 女性教員一人ひとりに、**「職位も、働いた年数も、論文の数も、大学も全く同じ」**男性教員を 1 人ずつ見つけてペアにします。
  • その上で、そのペアの給料を比べます。「同じ条件なのに、なぜ女性の方が安いのか？」という部分だけが浮き彫りになります。

• 道具 B：因果フォレスト（Causal Forest）

  • イメージ： 「森の探検」。
  • 単純な「平均」だけでなく、**「どんな状況で差が広がるのか」**を詳しく探します。
  • 「若手教授では差が小さいけど、ベテランになると差が広がる」「医学部では差が激しいけど、文学部では小さい」といった、細かなパターンを木々が茂る森のように詳しく描き出します。

3. 発見された「本当の差」

これらの道具を使って分析した結果、驚くべきことがわかりました。

• 結論： 条件をすべて揃えても、女性は男性より約 6% 低い給料を受け取っていました。
  • 12% の差のうち、約半分は「職位や分野の違い」で説明できましたが、残りの6% は「性別そのもの」による不公平として残りました。
  • これは、同じ仕事をして同じ実績を出しても、女性であるという理由だけで、手取りが少なくなっていることを意味します。

4. 面白い「森の探検」の結果（どこで差が大きい？）

「因果フォレスト」を使って詳しく見てみると、差の大きさは場所によって違いました。

• 医学・健康科学分野（MHS）： ここが最も不公平が激しい場所でした。
  • 例え： この分野の女性は、男性と同じレベルの活躍をしていても、約 7% 減の給料です。特に中堅の研究者ほど、この差が顕著でした。
• 自然科学や社会科学： ここでも差はありますが、医学部ほど激しくありません（約 5.5%）。
• 芸術・人文科学： ここでは、論文の数（引用数）と給料の関係が少し奇妙で、論文が多くても給料が上がらない傾向がありました。

5. なぜこれが重要なのか？

この研究は、**「大学は実力主義（ meritocracy ）」と言っていますが、実は「性別という見えない壁」**が存在していることを証明しました。

• これまでの研究： 「男女で給料が違うのは、女性が研究が少ないから」や「女性が助手の比率が高いから」という説明が多かった。
• この研究の貢献： 「いや、研究実績や職位を完全に同じに揃えても、まだ 6% 分の差が残っているよ！しかも、医学部では特にひどいよ！」と、より正確で、詳しい証拠を示しました。

まとめ

この論文は、**「同じ土俵で戦っているのに、女性だけが少し重い靴を履かされている」**という現実を、最新の統計技術を使って浮き彫りにしました。

大学側は、この「見えない差」を解消するために、給料の基準をより透明にし、特に医学部などの特定分野での是正が必要だと提言しています。

---

一言で言うと：
「男女の給料差は、単なる『仕事の違い』だけじゃなく、性別そのものによる不公平が約 6% 残っている。特に医学系でそれが顕著だ」という、データに基づいた重要な発見です。

技術概要

論文の技術的サマリー：学術界における性別賃金格差の因果推論による評価

1. 研究の背景と課題 (Problem)

学術界における性別賃金格差は、労働経済学や社会科学の中心的な課題の一つです。従来の研究（Oaxaca-Blinder 分解や重回帰分析など）は、職位、分野、研究業績などの観測可能な変数を調整しても、女性教員が男性教員に比べて低い給与を得ていることを示してきました。しかし、これらの手法には以下の限界がありました。

• 因果推論の欠如: 観測データに基づく相関関係の分析に留まり、反実仮想（counterfactual）に基づく因果効果を直接推定できていない。
• 交絡因子の扱い: キャリアの中断や不均衡なサービス負担など、観測されていない交絡因子（unobserved confounding）の影響を完全に排除できていない。
• 異質性の無視: 性別による賃金格差が、キャリアの段階や研究生産性のレベル、機関の種類によってどのように異なるか（Treatment Effect Heterogeneity）を十分に解明していない。

本研究は、北卡罗来ナ州公立大学システム（UNC システム）の教員データを用い、現代の因果推論手法を適用することで、これらの限界を克服し、性別が給与に与える因果効果をより厳密に評価することを目的としています。

2. データと変数 (Data and Variables)

• データソース: 北卡罗来ナ州公立大学システム（16 大学）の 2022 年度教員給与データ（公的開示情報）と、Google Scholar API から取得した学術業績データ、および genderize.io API を用いた性別推定データを統合。
• サンプルサイズ: 12,039 名の tenure-track 教員（准教授、准教授、教授）。
• 目的変数: 年俸（対数変換済み、$\log_{10}(\text{Salary})$）。対数変換により分布の歪みを補正し、パーセンテージ変化として解釈可能にしている。
• 説明変数（共変量）:
  • 性別: 推定されたバイナリ変数（女性=1, 男性=0）。
  • キャリア要因: 勤務年数、学術的職位（Assistant/Associate/Full Professor）。
  • 機関要因: カーネギー分類に基づく大学分類（R1, R2, 学部中心など）。
  • 分野: UNESCO の分類に基づき 6 分野に分類（ビジネス、工学・技術、芸術・人文、医療・健康科学、自然科学、社会科学）。
  • 研究生産性: Google Scholar の i10-index（10 回以上引用された論文数）を対数変換したもの。データ欠損がある場合は、類似背景の教員の平均値で補完。

3. 方法論 (Methodology)

本研究は、観測データにおける因果推論の三大仮定（無交絡性、正の確率、SUTVA）の下で、パラメトリック手法とノンパラメトリック手法を組み合わせ、性別（処置）が給与（結果）に与える因果効果を推定します。

3.1 傾向スコアに基づくパラメトリック手法

交絡因子を調整し、処置群（女性）と対照群（男性）の共変量バランスを改善するために以下の手法を適用しました。

1. 傾向スコアマッチング (PSM) + 回帰調整:
   • ロジスティック回帰で傾向スコアを推定（大学×分野×研究生産性、職位×勤務年数などの交互作用項を含む）。
   • 最隣接マッチング（caliper 0.2 SD）を行い、その後、マッチング済みサンプルに対して回帰調整を適用（Double-Adjustment）。
   • 推定対象: 処置群平均処置効果（ATT）。
2. 逆確率処置重み付け (IPTW) + 回帰調整:
   • 傾向スコアの逆数で重み付けを行い、母集団全体を代表する疑似集団を構築。
   • 推定対象: 平均処置効果（ATE）。
3. 傾向スコアを用いた回帰調整:
   • 処置変数と傾向スコアを共変量として含む回帰モデル。

3.2 ノンパラメトリック手法：因果フォレスト (Causal Forest)

• 概要: Athey & Imbens (2016) および Wager & Athey (2018) が提案した手法。線形モデルの仮定を置かず、データ駆動型で条件付き平均処置効果（CATE）を推定します。
• 特徴:
  • 二重機械学習 (Double Machine Learning): 結果変数と傾向スコアの nuisance 関数を推定し、残差を用いてバイアスを低減。
  • 誠実な推定 (Honest Estimation): サンプル分割により、ツリー構造の決定と効果推定を分離し、過学習を防ぐ。
  • 異質性の解明: 個々の教員の特徴（共変量 $X_i$）に基づき、性別による給与格差がどのように変化するかを個別に推定（Individual Treatment Effects, ITEs）。

3.3 仮定と検証

• 無交絡性: 観測共変量を条件とした上で、処置割り当てと潜在結果が独立であると仮定。バランス診断（標準化平均差 SMD、Love Plot）と感度分析（Cinelli & Hazlett のフレームワーク）により検証。
• 正の確率: 全ての個人が処置を受ける確率が 0 ではないことを確認。

4. 主要な結果 (Key Results)

4.1 性別賃金格差の因果推定値

未調整の分析では男女間の給与格差は**11.71%**でしたが、共変量（職位、分野、経験、生産性など）を因果推論手法で調整した結果、格差は縮小しましたが依然として統計的に有意に残存しました。

• PSM (ATT): 約 6.61% の格差（女性は男性より低い）。
• IPTW (ATE): 約 6.17% の格差。
• 回帰調整 (ATE): 約 6.45% の格差。
• 因果フォレスト (ATE): 約 5.96% の格差。

これらの結果は、観測可能な要因（業績や職位）を調整しても、構造的な性別不平等が存在することを示しています。

4.2 処置効果の異質性 (Heterogeneity)

因果フォレストを用いた分析により、格差が分野や生産性によって異なることが明らかになりました。

• 分野による差異:
  • 医療・健康科学 (MHS): 最も格差が顕著で、約**7%**の不利な待遇。キャリア段階や生産性レベルに関わらず持続的。
  • 自然科学・社会科学: 約 5.5% の格差。
  • 芸術・人文、ビジネス、工学・技術: 約 6% の格差。
• 研究生産性との相互作用:
  • MHS では、中程度の研究生産性レベルで格差が最も拡大する傾向が見られました。
  • 一方、他の分野では生産性レベルによる格差の変動は比較的安定していました。
• 生産性の報酬:
  • ビジネスや医療分野（特に R1 大学）では、研究生産性が高いほど給与に正の報酬が得られる傾向が強かった。
  • 芸術・人文分野では、引用指標（i10-index）と給与の間に負の相関が見られ、学術的評価指標の分野適応性の問題が浮き彫りになりました。

5. 貢献と意義 (Contributions and Significance)

1. 因果推論手法の適用: 学術界の賃金格差研究において、従来の回帰分析を超え、現代の因果推論手法（PSM, IPTW, 因果フォレスト）を大規模データに適用し、より信頼性の高い因果効果の推定値を提供しました。
2. 異質性の解明: 「平均的な格差」だけでなく、どの分野やキャリア段階で格差が深刻化しているかを詳細にマッピングしました。特に医療・健康科学分野における構造的な不平等と、生産性レベルによる格差の変動パターンを初めて可視化しました。
3. 再現性のあるワークフロー: 公的給与データ、Google Scholar 指標、因果推論コードを統合した再現可能な分析フレームワークを GitHub で公開し、他の学術システムでの公平性監査（Equity Audits）への応用を可能にしました。
4. 政策的示唆: 単なる「平均的な格差」の是正だけでなく、分野ごとの評価基準の標準化、キャリア初期段階への介入、および定期的な異質性を考慮した公平性監査の必要性を提言しています。

結論

本研究は、北卡罗来ナ州公立大学システムにおいて、観測可能な業績や職位を調整しても、女性教員が男性教員に比べて約 6% 低い給与を受け取っているという構造的な性別賃金格差が存在することを因果的に証明しました。特に医療・健康科学分野での格差が深刻であり、研究生産性との相互作用も分野によって異なることが示されました。これらの知見は、学術界における公平な報酬制度の設計と、より包括的な政策介入の必要性を強く示唆しています。