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

Deze studie toont aan dat vrouwelijke faculteitsleden in het UNC-systeem ongeveer 6% minder verdienen dan vergelijkbare mannelijke collega's, waarbij moderne causale inferentiemethoden op waarnemingsdata worden gebruikt om deze structurele ongelijkheid te kwantificeren.

De kern

🎓 De Onzichtbare Koffer: Waarom verdienen vrouwelijke professoren minder?

Stel je voor dat je een gigantische berg data hebt over de salarissen van bijna 12.000 professoren in de staat North Carolina (VS). De onderzoekers, Zihan Zhang en Jan Hannig, wilden weten: Is er echt een onrechtvaardig verschil in salaris tussen mannen en vrouwen, of is dat alleen maar omdat vrouwen vaak in andere vakgebieden werken of minder ervaring hebben?

Om dit te beantwoorden, gebruikten ze geen simpele "tellen en vergelijken", maar een geavanceerde wetenschappelijke methode die we Causale Inferentie noemen. Laten we dit uitleggen met een paar metaforen.

1. Het Probleem: De "Verkeerde Vergelijking"

Stel je voor dat je wilt weten of een dure sportauto sneller is dan een gezinsbus. Als je de auto vergelijkt met een bus die 20 jaar oud is en vol zit met zware dozen, lijkt de auto superieur. Maar dat is niet eerlijk. Je moet de auto vergelijken met een bus die even nieuw is en even weinig lading heeft.

In de academische wereld is het vaak zo:

• Vrouwen zitten vaker in vakken waar minder geld is (zoals Kunst en Geesteswetenschappen).
• Vrouwen hebben soms minder jaren ervaring omdat ze eerder zijn gestopt voor gezin of andere redenen.
• Vrouwen publiceren soms minder artikelen (wat hun salaris beïnvloedt).

Als je gewoon het gemiddelde salaris van mannen en vrouwen vergelijkt, is het verschil groot (ongeveer 11,7%). Maar dat is een "verkeerde vergelijking", omdat je niet kijkt naar de onderliggende oorzaken.

2. De Oplossing: De "Matchmaker" en de "Wolkenbos"

De onderzoekers gebruikten twee slimme technieken om een eerlijke vergelijking te maken:

• Propensity Score Matching (De Matchmaker):
  Stel je voor dat je een enorme dating-app hebt. De "Matchmaker" zoekt voor elke vrouwelijke professor een mannelijke professor die exact hetzelfde profiel heeft: dezelfde rang (bijv. Associate Professor), hetzelfde vak (bijv. Biologie), dezelfde jaren ervaring en hetzelfde aantal gepubliceerde artikelen.
  Zodra ze een perfect paar hebben gevonden, kijken ze alleen naar het salarisverschil tussen die twee. Zo weten ze zeker dat het verschil niet komt door het vak of de ervaring, maar puur door het geslacht.

• Causal Forests (Het Wolkenbos):
  Soms is het leven niet lineair. Misschien is het salarisverschil voor jonge professoren anders dan voor oude, of voor artsen anders dan voor ingenieurs.
  De "Causal Forest" is als een bos met duizenden kleine bomen. Elke boom kijkt naar een heel specifiek groepje mensen (bijvoorbeeld: "Vrouwen in de Geneeskunde met 10 jaar ervaring"). De boom berekent het salarisverschil voor die specifieke groep. Door al die bomen samen te nemen, krijgen ze een heel gedetailleerd plaatje van waar de ongelijkheid het grootst is.

3. Wat vonden ze? (De Resultaten)

Zelfs na al die eerlijke vergelijkingen (waar ze alle factoren zoals ervaring en vakgebied "wegpoetsten"), bleef er een gat over:

• Het Resultaat: Vrouwelijke professoren verdienen nog steeds ongeveer 6% tot 7% minder dan hun mannelijke collega's met exact hetzelfde profiel.
• De Metafoor: Het is alsof je twee identieke auto's hebt, die allebei even snel rijden en even nieuw zijn. Maar de ene auto (de vrouw) krijgt toch een lagere brandstoftoeslag dan de andere (de man), puur omdat het een "vrouwelijke" auto is.

4. De Interessante Details: Waar is het het ergst?

Het onderzoek toonde aan dat het probleem niet overal even groot is. Het is als een weerkaart met verschillende stormen:

• De "Storm" in de Geneeskunde: In de medische en gezondheidswetenschappen is het verschil het grootst. Vrouwen in dit vak verdienen ongeveer 7% minder dan mannen, zelfs als ze even veel publiceren en even lang werken. Hier lijkt de ongelijkheid het diepst geworteld.
• De "Bries" in andere vakken: In vakken zoals Natuurwetenschappen of Sociale Wetenschappen is het verschil iets kleiner (rond de 5,5%), maar het is er nog steeds.
• De "Omgekeerde Wereld" in Kunst: In Kunst en Geesteswetenschappen is het zelfs zo raar dat meer publicaties (citaties) soms niet leiden tot een hoger salaris. Hier werkt het systeem blijkbaar heel anders dan in de wetenschap.

5. Waarom is dit belangrijk?

Vroeger dachten veel mensen: "Oh, vrouwen verdienen minder omdat ze in goedkopere vakken werken of minder hard werken."
Dit onderzoek zegt: "Nee, dat klopt niet helemaal."

Zelfs als je alles eerlijk maakt en vrouwen en mannen exact op elkaar afstemt, blijft er een onzichtbaar "belasting" over. Dit betekent dat er structurele problemen zijn in hoe universiteiten betalen. Het is geen kwestie van "niet genoeg ervaring", maar van "niet genoeg rechtvaardigheid".

Conclusie in één zin

Ook in een wereld die zegt dat alles op meritocratie (prestatie) draait, betalen universiteiten vrouwen nog steeds minder dan mannen voor exact hetzelfde werk, en dit probleem is het grootst in de medische wereld.

De onderzoekers zeggen: "We moeten stoppen met alleen naar het gemiddelde te kijken en gaan kijken naar de specifieke groepen waar het misgaat, zodat we die ongelijkheid eindelijk kunnen oplossen."

Technische samenvatting

Titel: Evaluatie van Genderloonongelijkheid in de Academische Wereld met Causale Inferentiemethoden voor Observatiegegevens

Auteurs: Zihan Zhang en Jan Hannig (Universiteit van North Carolina, Chapel Hill)
Datum: April 2026

---

1. Probleemstelling en Context

Het artikel adresseert het aanhoudende probleem van de genderloonkloof in de academische wereld. Hoewel de academische sector zich profileert als een meritocratie, tonen eerdere studies aan dat vrouwelijke faculteitsleden systematisch minder verdienen dan hun mannelijke tegenhangers, zelfs na controle voor rang, vakgebied en onderzoeksproductiviteit.

Bestaande literatuur leunt vaak op associatieve methoden (zoals Oaxaca-Blinder decompositie of gepoolde regressies) die beperkt zijn omdat ze:

• Geen contrafactuele uitkomsten kunnen schatten.
• Moeite hebben met ongemeten verstorende factoren (confounding), zoals carrièrerepauzes of onevenwichtige lasten van dienstverlening.
• Geen onderscheid maken in heterogeniteit van het behandelingseffect (d.w.z. dat de kloof niet overal even groot is).

Het doel van deze studie is om de oorzakelijke invloed van geslacht op salarissen te schatten binnen het openbare universiteitssysteem van North Carolina (UNC), gebruikmakend van moderne causale inferentiemethoden om verstorende factoren en heterogeniteit nauwkeuriger te hanteren.

2. Data en Variabelen

• Dataset: Een samengevoegde dataset van 12.039 tenure-track faculteitsleden (assistent, geassocieerd en volledig professor) van alle 16 campussen van het UNC-systeem uit 2022.
• Bronnen:
  • Salarisdata: Openbaar toegankelijke gegevens van UNC Digital Measures.
  • Academische prestaties: Google Scholar API (geïntegreerd via i10-index).
  • Geslacht: Afgeleid uit voornamen via de Genderize API, gecombineerd met handmatige verificatie voor lage betrouwbaarheidsscores.
• Belangrijke Covariaten:
  • Uitkomst: Logarithmisch getransformeerd jaarlijks salaris ($\log_{10}(\text{Salaris})$).
  • Behandeling: Geslacht (Binair: Vrouw = 1, Man = 0).
  • Verstorende factoren (Confounders): Academische rang, vakgebied (gecategoriseerd volgens UNESCO-ISCED), universiteitsclassificatie (Carnegie-classificatie: Bachelor/Master, R2, R1), dienstjaren, en onderzoeksproductiviteit (gebaseerd op de log-getransformeerde i10-index).
• Data-preprocessing: Niet-academisch personeel en uitzonderlijke salariswaarden (<$27.000) werden verwijderd. Voor ontbrekende Google Scholar-profielen werden waarden geïmputeerd op basis van vergelijkbare achtergronden.

3. Methodologie

De auteurs hanteren een robuust raamwerk voor causale inferentie om de aanname van "unconfoundedness" (onafhankelijkheid van behandeling en potentiële uitkomsten, gegeven covariaten) te benaderen.

A. Causaal Raamwerk

Het doel is het schatten van de Average Treatment Effect (ATE), Average Treatment Effect on the Treated (ATT) en Conditional Average Treatment Effect (CATE). Drie cruciale aannames worden getoetst:

1. Unconfoundedness: Alle relevante verstorende factoren zijn geobserveerd en gecontroleerd.
2. Positivity: Elke individuele heeft een niet-nul kans om in beide groepen (man/vrouw) te vallen.
3. SUTVA: De uitkomst van een individu wordt niet beïnvloed door de behandeling van anderen.

B. Parametrische Methoden

Om de robuustheid te testen, worden drie varianten van propensiteitsscore-methoden toegepast:

1. Propensity Score Matching (PSM) met Regressie-aanpassing:
   • Geschatte propensiteitsscores via logistische regressie met interactie-termen (bijv. Universiteit × Vak × Productiviteit).
   • Nieuwste-buur matching (nearest-neighbor) met een caliper van 0,2 SD.
   • Vervolgens OLS-regressie op het gematchte sample om resterende onbalans te corrigeren.
   • Doel: Schatting van de ATT.
2. Inverse Probability Treatment Weighting (IPTW):
   • Herweging van het volledige sample om een pseudo-populatie te creëren waar behandeling onafhankelijk is van covariaten.
   • Doel: Schatting van de ATE.
3. Regressie-aanpassing met Propensiteitsscore:
   • Inclusie van de geschatte propensiteitsscore als covariaat in een regressiemodel.

C. Niet-parametrische Methode: Causal Forests

Om heterogeniteit in behandelingseffecten te modelleren zonder strikte functionele aannames, wordt gebruikgemaakt van Causal Forests (Athens & Imbens, 2016; Wager & Athey, 2018).

• Mechanisme: Een ensemble van bomen dat individuele behandelingseffecten (ITE) schat op basis van covariaten ($\tau(X_i)$).
• Kenmerken: Gebruikt "honest splitting" (splitsen van data voor structuur en schatting) en "orthogonalization" (double machine learning) om bias te verminderen.
• Doel: Identificeren van subgroepen waar de genderkloof het grootst of kleinst is (CATE).

4. Resultaten

A. Beschrijvende en Baseline Analyse

• Ongecorrigeerde kloof: Mannen verdienen gemiddeld 11,71% meer dan vrouwen.
• OLS-regressie: Zelfs na controle voor rang, vak, ervaring en productiviteit blijft er een significante kloof over (ongeveer 6,4% - 7,1%).
• Interactie-effecten: De return op productiviteit varieert sterk per vakgebied en instelling. Bijvoorbeeld, in Business en Medische Wetenschappen leidt hoge productiviteit tot hoge salarissen, terwijl in Kunsten en Geesteswetenschappen citation-based metrics soms negatief correleren met salaris.

B. Causale Schattingen

Alle methoden bevestigen een significante, structurele genderloonkloof:

• Propensity Score Matching (ATT): Vrouwen verdienen 6,61% minder dan vergelijkbare mannen.
• IPTW (ATE): Vrouwen verdienen 6,17% minder.
• Regressie-aanpassing: 6,45% verschil.
• Causal Forest (ATE voor overlap-populatie): 5,96% verschil.

De consistentie tussen deze methoden versterkt de validiteit van de conclusie dat de kloof niet alleen het gevolg is van waarneembare verschillen in achtergrondkenmerken.

C. Heterogeniteit (Causal Forest Analyse)

De Causal Forest analyse onthult dat de kloof niet uniform is:

• Vakgebied: De kloof is het grootst in Medische en Gezondheidswetenschappen (MHS), waar vrouwen ongeveer 7% minder verdienen dan vergelijkbare mannen. Dit verschil is persistent over de carrièrefasen heen.
• Andere vakgebieden: In Natuur- en Sociale Wetenschappen is de kloof kleiner (rond 5,5%), en in Kunsten, Business en Techniek rond de 6%.
• Productiviteit: In MHS verergert de kloof bij gemiddelde niveaus van onderzoeksproductiviteit, terwijl deze in andere vakgebieden stabieler blijft.

5. Bijdragen en Betekenis

Kernbijdragen:

1. Causale Validatie: Het artikel biedt een van de eerste robuuste causale schattingen van de genderloonkloof in de academische wereld, verdergaand dan correlatieve analyses.
2. Heterogeniteit: Door Causal Forests toe te passen, toont het aan dat de kloof sterk afhankelijk is van context (vakgebied en productiviteit), wat gemiddelde effecten zou verdoezelen.
3. Reproduceerbaarheid: Een volledig reproduceerbare workflow wordt vrijgegeven, die openbare salarisdata, bibliometrie en moderne ML-methoden combineert.

Beperkingen:

• Productiviteit wordt uitsluitend gemeten via Google Scholar (ondervertegenwoordiging van onderwijs en mentoring).
• Cross-sectionele data (geen longitudinale ontwikkeling van de kloof over tijd).
• Generaliseerbaarheid beperkt tot het UNC-systeem (openbare instellingen).

Conclusie en Implicaties:
De studie concludeert dat er sprake is van structurele genderongelijkheid in de academische beloning in North Carolina, met een kloof van ongeveer 6% die niet verklaard kan worden door rang, ervaring of onderzoeksoutput. De resultaten suggereren dat interventies specifiek gericht moeten zijn op vakgebieden met de grootste ongelijkheid (zoals Medische Wetenschappen) en dat evaluatiecriteria voor salarissen en promoties per vakgebied moeten worden gestandaardiseerd en getransparant.

De auteurs pleiten voor regelmatige "equity audits" en proactieve maatregelen zoals mentoring voor vroege carrières en off-scale salarisreviews om deze dispariteiten te doorbreken voordat ze verankerd raken.