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

이 논문은 12,039 명의 UNC 시스템 tenure-track 교수 데이터를 활용하여 성별에 따른 임금 격차를 추정하기 위해 성향점수 매칭과 인과적 숲 (causal forests) 같은 현대적 인과추론 방법을 적용한 결과, 동등한 조건에서 여성 교수가 남성 동료보다 약 6% 적은 급여를 받는 구조적 불평등이 존재함을 밝혔습니다.

핵심

🍳 1. 연구의 배경: "왜 남자가 더 많이 받을까?"

대학은 "실력과 노력에 따라 보상을 주는 곳"이라고 말합니다. 하지만 실제로는 여성 교수들이 남성 동료들보다 월급이 적다는 사실이 오랫동안 알려져 왔습니다.

• 기존의 문제점: 과거 연구들은 "남자와 여자의 월급을 그냥 비교"했습니다. 하지만 이건 비교대상이 달라서 생기는 착시일 수 있습니다.
  • 예를 들어: "남자 요리사 A 는 10 년 경력의 미슐랭 스타이고, 여자 요리사 B 는 1 년 차 초보입니다." 이 두 사람의 월급을 비교하면 당연히 남자가 더 많죠. 하지만 이건 '성별' 때문이 아니라 '경력' 때문입니다.
• 이 연구의 목표: "경력, 전공, 연구 실적, 소속 대학" 등 모든 조건이 완전히 똑같은 남자와 여자를 찾아내서, 오직 '성별' 하나만 남았을 때 월급 차이가 얼마나 남는지 알아보는 것입니다.

🔍 2. 연구 방법: "유령 같은 비교를 찾아내다"

연구진은 노스캐롤라이나 주립대학교 시스템의 12,000 명 이상의 교수 데이터를 분석했습니다. 여기서 핵심은 **'인과 추론 (Causal Inference)'**이라는 최신 통계 기술을 쓴 것입니다.

🧩 비유 1: propensity score matching (성향 점수 매칭) = "완벽한 쌍둥이 찾기"

이 방법은 마치 **"유령 같은 쌍둥이"**를 찾는 게임입니다.

• 여성 교수 '김영희'가 있습니다. 그녀의 경력, 전공, 논문 수, 소속 대학이 모두 똑같은 가상의 남성 교수를 데이터 속에서 찾아냅니다.
• 이렇게 "조건이 100% 똑같은" 남녀 쌍을 찾아내서 월급을 비교합니다.
• 결과: 조건이 똑같은데도 여성이 남성에 비해 약 6% 더 적게 받았습니다.

🌲 비유 2: Causal Forest (인과 숲) = "숲 속의 다양한 나무들"

기존 방법은 "전체 평균"만 봤다면, 이 방법은 **"숲속의 각 나무"**를 하나하나 살펴봅니다.

• 모든 교수가 똑같은 불이익을 받는 게 아닙니다. 어떤 전공에서는 차이가 크고, 어떤 경력에서는 차이가 작을 수 있습니다.
• 이 기술은 데이터를 나무처럼 쪼개서, **"어떤 상황 (전공, 경력, 연구 실적) 에서 성별 차이가 가장 심한가?"**를 찾아냅니다.

📊 3. 주요 발견: "모두가 똑같이 불공정한 건 아니다"

연구 결과는 매우 흥미롭습니다.

1. 전반적인 격차: 모든 조건을 고려해도 여성 교수는 남성 동료보다 약 6% 정도 더 적게 받습니다. (원래 단순 비교 시 11% 차이였는데, 경력 등을 보정하면 6% 로 줄었지만 여전히 남았습니다.)
2. 가장 심각한 곳: 의학 및 보건학 (Medical and Health Sciences) 분야에서 성별 격차가 가장 큽니다. 이 분야의 여성 교수는 조건이 비슷한 남성보다 약 7% 더 적게 받습니다.
   • 비유: 의학부라는 '무대'에서는 여성이 남성에 비해 더 높은 장벽을 마주하고 있는 것입니다.
3. 연구 실적이 높을수록?: 의학 분야에서는 연구 실적이 중간 정도일 때 성별 격차가 가장 커지지만, 다른 분야 (인문, 사회과학 등) 에서는 실적이 높아져도 격차가 일정하게 유지됩니다.

💡 4. 결론: "이건 우연이 아니라 구조적인 문제"

이 논문은 단순히 "월급 차이가 있다"는 것을 보여주는 것을 넘어, **"왜 그런지"**와 **"어디서 가장 심각한지"**를 과학적으로 증명했습니다.

• 핵심 메시지: 대학이 "실력주의"라고 주장하지만, 여성의 성별이라는 이유만으로 똑같은 일을 해도 더 적은 보상을 받는 구조적인 불평등이 존재합니다.
• 제안: 대학은 단순히 "평균 월급"만 보는 게 아니라, 전공별, 경력별로 세밀하게 불공정함을 점검해야 합니다. 특히 의학 분야와 같은 특정 영역에 집중적인 개혁이 필요합니다.

🎯 한 줄 요약

"똑같은 실력과 경력을 가진 남녀를 비교했을 때, 여성은 남성보다 약 6% 더 적은 월급을 받는데, 특히 의학 분야에서 이 불공정이 가장 심하게 드러난다. 이는 단순한 우연이 아니라 시스템의 문제다."

이 연구는 복잡한 통계 수식을 통해, 우리가 일상에서 느끼는 "어딘가 이상하다"는 직감을 과학적인 증거로 바꾸어 준 셈입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 학술계의 성별 임금 격차는 노동 경제학과 사회과학의 핵심 쟁점입니다. 기존 연구들은 주로 Oaxaca-Blinder 분해나 단순 회귀 분석과 같은 연관성 (associational) 방법에 의존해 왔습니다.
• 문제점:
  • 이러한 기존 방법들은 관측되지 않은 교란 변수 (예: 경력 단절, 불균형한 서비스 부담 등) 를 통제하지 못하며, 반사실적 (counterfactual) 임금 결과를 추정할 수 없습니다.
  • 성별, 직급, 연구 생산성, 경력 등이 서로 복잡하게 얽혀 있어, 단순한 통계적 통제로는 성별에 따른 순수한 임금 차별 효과를 분리해 내기 어렵습니다.
  • 성별 임금 격차가 기관 유형, 경력 단계, 연구 성과 수준에 따라 어떻게 달라지는지에 대한 인과적 증거가 부족합니다.
• 목표: 북캐롤라이나 주립 대학 시스템 (UNC) 의 대규모 데이터를 활용하여, 현대적 인과 추론 (Causal Inference) 기법을 적용해 성별이 교수 급여에 미치는 인과적 효과를 추정하고, 그 이질성 (heterogeneity) 을 규명하는 것.

2. 데이터 및 변수 (Data and Variables)

• 데이터원: 2022 년 UNC 시스템 내 16 개 캠퍼스의 교수 급여 데이터 (공식 공개 자료), Google Scholar API 를 통한 학술 성과 데이터, genderize.io 를 통한 성별 추정.
• 샘플: 12,039 명의 tenure-track 교수 (조교수, 부교수, 정교수). 비교수 직원은 제외, 연봉 27,000 달러 미만은 오류로 간주 제거.
• 종속 변수: 연간 급여 (로그 변환, $\log_{10}$).
• 주요 독립 변수 (공변량, $X_i$):
  • 성별 (Treatment): 1=여성, 0=남성.
  • 경력: 재직 연수 (Working Years).
  • 직급 (Title): 조교수, 부교수, 정교수.
  • 기관 분류: 카네기 분류에 기반 (R1, R2, 학부/석사 중심 등).
  • 학문 분야 (Discipline): 비즈니스, 공학, 인문, 의학/보건, 자연과학, 사회과학 (UNESCO ISCED-F 기준).
  • 연구 생산성: Google Scholar 의 i10-index (10 회 이상 인용된 논문 수) 의 로그 변환 값. (데이터가 없는 경우 유사 배경의 평균값으로 대체).

3. 방법론 (Methodology)

관측 데이터의 교란 (confounding) 과 선택 편향을 해결하기 위해 모수적 (Parametric) 및 비모수적 (Non-parametric) 인과 추론 기법을 결합했습니다.

3.1 인과 추론 프레임워크

• 가정: 무교란성 (Unconfoundedness), 양의성 (Positivity), SUTVA.
• 목표: 평균 처리 효과 (ATE), 처리된 집단의 평균 처리 효과 (ATT), 조건부 평균 처리 효과 (CATE) 추정.

3.2 모수적 방법 (Parametric Methods)

성별에 대한 propensity score(성별이 될 확률) 를 로지스틱 회귀로 추정하고, 이를 기반으로 다음 세 가지 접근법을 적용하여 결과를 상호 검증했습니다.

1. Propensity Score Matching (PSM) + 회귀 보정:
   • 성별이 비슷한 교수를 매칭 (Nearest-neighbor, caliper 0.2) 한 후, 잔여 불균형을 보정하기 위해 회귀 분석을 수행.
   • 추정 대상: ATT (여성 교수 집단에 대한 효과).
2. Inverse Probability Treatment Weighting (IPTW) + 회귀 보정:
   • propensity score 의 역수로 가중치를 부여하여 가상의 인구를 생성.
   • 추정 대상: ATE (전체 인구에 대한 효과).
3. Propensity Score를 포함한 회귀 보정:
   • 처리 변수와 추정된 propensity score 를 모두 공변량으로 포함하는 회귀 모델.

• Propensity Score 모델: 대학 코드, 학과 코드, 연구 생산성 (i10-index) 간의 3 차 상호작용, 직급과 재직 연수 간의 상호작용 등을 포함하여 복잡한 학술계 구조를 반영.

3.3 비모수적 방법 (Non-Parametric Method): Causal Forest

• 기법: Athey 와 Imbens (2016) 가 개발한 Causal Forest (Double Machine Learning 기반).
• 특징:
  • 선형성 가정을 완화하고 고차원 비선형 상호작용을 자동으로 포착.
  • CATE (Conditional Average Treatment Effect) 추정: 개별 교수의 특성 (직급, 분야, 생산성 등) 에 따라 성별 임금 격차가 어떻게 달라지는지 분석.
  • Honest Estimation: 샘플 분할 (splitting) 을 통해 과적합 (overfitting) 을 방지하고 편향을 줄임.

4. 주요 결과 (Key Results)

4.1 기술적 분석 및 기본 회귀

• 조정 전 (Raw): 남성 평균 급여 \134,169, 여성 \118,460 → 11.71% 의 임금 격차.
• OLS 회귀 (공변량 통제 후): 직급, 분야, 경력, 생산성을 통제해도 여성 교수의 급여는 남성보다 약 6.44% ~ 7.12% 낮음 (통계적 유의성 확보). 이는 관측 가능한 특성으로 설명되지 않는 구조적 불평등이 존재함을 시사.

4.2 인과 추론 결과 (Causal Estimates)

모든 방법론에서 일관되게 약 6% 의 성별 임금 격차가 존재함이 확인되었습니다.

방법론	추정 계수 ($\beta$)	추정된 임금 격차 (%)	비고
PSM (ATT)	-0.0297	6.61%	여성 교수 집단에 초점
IPTW (ATE)	-0.0276	6.17%	전체 인구 초점
회귀 보정	-0.0290	6.45%
Causal Forest	-0.0267	5.96%	이질성 고려

• 결론: 조정 전 11.71% 의 격차 중 약 5% 포인트는 직급, 경력, 생산성 등 관측 변수로 설명되지만, 약 6% 의 격차는 설명되지 않는 구조적 차별로 남습니다.

4.3 이질성 분석 (Heterogeneity Analysis - Causal Forest)

• 학문 분야별 차이: 의학 및 보건과학 (Medical and Health Sciences, MHS) 분야에서 성별 임금 격차가 가장 심각함 (약 7%). 반면, 자연과학/사회과학은 약 5.5%, 인문/비즈니스/공학은 약 6% 수준.
• 연구 생산성과의 상호작용: MHS 분야에서는 연구 생산성이 중간 수준일 때 성별 격차가 가장 커지는 경향이 보임. 다른 분야에서는 생산성에 따른 격차 변화가 상대적으로 안정적.
• 경력 단계: 대부분의 분야에서 경력에 따른 격차 변화는 일정하지만, MHS 는 경력과 함께 격차가 유지되거나 심화되는 경향을 보임.

5. 주요 기여 및 의의 (Contributions & Significance)

1. 인과적 증거 제공: 단순한 연관성 분석을 넘어, 현대적 인과 추론 기법 (PSM, IPTW, Causal Forest) 을 적용하여 성별 임금 격차의 인과적 크기를 보다 엄밀하게 추정했습니다.
2. 이질성 규명: 평균 효과 (ATE) 만으로는 놓칠 수 있는 세부 패턴을 발견했습니다. 특히 의학/보건 분야에서의 심각한 불평등과 연구 생산성 수준에 따른 격차의 변화를 규명했습니다.
3. 재현 가능한 프레임워크: 공개 급여 데이터, Google Scholar 메타데이터, 인과 추론 코드를 통합한 재현 가능한 워크플로우를 GitHub 에 공개하여 다른 학술 시스템의 형평성 감사 (equity audit) 에 활용 가능하도록 함.
4. 정책적 시사점:
   • 단순한 임금 인상이 아닌, 학문 분야별 (특히 의학계) 및 경력 단계별 맞춤형 개입이 필요함.
   • 연구 성과 평가 지표 (인용 수 등) 가 인문사회과학 등 특정 분야에서는 적절하지 않을 수 있음을 지적.
   • 정기적인 형평성 감사와 투명한 급여 기준 마련의 필요성 강조.

6. 한계점 (Limitations)

• 생산성 측정: Google Scholar 기반의 i10-index 만 사용되어 교육, 멘토링, 대학 서비스 등 비연구적 기여는 반영되지 않음.
• 단면 데이터: 2022 년 한 해의 데이터로, 시간에 따른 격차의 변화를 추적하지 못함.
• 일반화 가능성: 공립 대학 시스템 (UNC) 에 국한된 결과로, 사립 대학이나 다른 거버넌스 구조를 가진 시스템에는 직접 적용하기 어려울 수 있음.

요약

이 연구는 북캐롤라이나 주립 대학 시스템의 대규모 데이터를 활용하여, 현대적 인과 추론 기법을 통해 학술계의 성별 임금 불평등을 분석했습니다. 그 결과, 직급, 경력, 연구 생산성 등을 완벽하게 통제하더라도 여성 교수는 남성 동료보다 약 6% 더 낮은 급여를 받는 구조적 불평등이 존재함을 입증했습니다. 특히 의학 및 보건 분야에서 이 불평등이 가장 심각하며, 이는 단순한 통계적 편차가 아닌 체계적인 차별의 결과임을 시사합니다.