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

Este estudo aplica métodos de inferência causal, como pareamento por escore de propensão e florestas causais, a dados de 12.039 docentes da Universidade da Carolina do Norte para demonstrar que, mesmo após ajustar por variáveis como cargo e produtividade, as mulheres ainda recebem cerca de 6% menos que os homens em cargos equivalentes.

O essencial

Imagine que você é um detetive tentando resolver um mistério antigo: por que as professoras mulheres ganham menos do que os professores homens, mesmo quando fazem o mesmo trabalho?

Este artigo é como um relatório de investigação detalhado, mas em vez de usar lupas e pegadas, os autores (Zihan Zhang e Jan Hannig) usaram uma "lupa matemática" muito sofisticada chamada Inferência Causal. Eles analisaram os salários de mais de 12.000 professores na Carolina do Norte para descobrir a verdade por trás dos números.

Aqui está a história do que eles descobriram, explicada de forma simples:

1. O Mistério Inicial: A Diferença Bruta

No começo, se você apenas olhasse para os salários sem pensar em nada mais, veria um abismo enorme. As mulheres ganhavam cerca de 11,7% a menos que os homens.

• A Analogia: É como se você olhasse para duas corridas de carros e dissesse: "As mulheres dirigem mais devagar". Mas espere! Você não está levando em conta que as mulheres estão dirigindo carros pequenos e velhos, enquanto os homens estão em caminhonetes potentes.

2. A Ferramenta Mágica: O "Espelho" da Realidade

O problema é que na vida real (dados observacionais), não podemos fazer um experimento onde trocamos o gênero de uma pessoa para ver o que acontece. Então, os autores usaram métodos estatísticos avançados para criar um "Espelho".

Eles usaram técnicas como:

• Emparelhamento (Propensity Score Matching): Imagine que para cada professora mulher, eles encontraram um professor homem "gêmeo estatístico". Esse homem tem a mesma idade, trabalha na mesma universidade, no mesmo departamento, tem o mesmo número de anos de experiência e publicou o mesmo número de artigos.
• Florestas Causais (Causal Forests): Pense nisso como uma árvore gigante de decisões que divide os professores em milhares de pequenos grupos para ver se o padrão se mantém em cada um deles.

Ao comparar essas "pessoas gêmeas" (homens e mulheres que são idênticos em tudo, exceto no gênero), eles puderam isolar o efeito real de ser mulher.

3. A Revelação: O Abismo Diminui, Mas Não some

Quando eles ajustaram a "lupa" para comparar apenas pessoas iguais em tudo, a diferença de salário caiu de 11,7% para cerca de 6%.

• O que isso significa? Grande parte da diferença (os outros 5,7%) era explicada por fatores legítimos: as mulheres tendem a estar em cargos mais junior, em universidades com menos recursos ou em áreas onde os salários são naturalmente mais baixos.
• O Problema Real: Mas, mesmo comparando "gêmeos" (mesmo cargo, mesma experiência, mesma produtividade), ainda sobrou uma diferença de 6%. Isso é como se, mesmo dirigindo o mesmo carro na mesma estrada, o carro da mulher fosse pago menos. Isso indica uma desigualdade estrutural: o sistema em si paga menos pelo mesmo trabalho.

4. Onde a Dor é Maior? (A Variação)

A pesquisa não parou no número médio. Eles usaram a "Floresta Causal" para ver onde a desigualdade era pior.

• O "Vilão" Escondido: Eles descobriram que na área de Medicina e Ciências da Saúde, a desigualdade é a mais cruel. Lá, as mulheres ganham cerca de 7% a menos que os homens equivalentes.
• O Padrão: Em outras áreas, como Artes ou Humanidades, a diferença é um pouco menor (cerca de 5,5% a 6%), mas ainda existe.
• A Analogia da Produtividade: Em Medicina, quanto mais uma mulher publica e pesquisa, maior a penalidade que ela sofre em comparação a um homem com a mesma produtividade. É como se o sistema recompensasse a produtividade masculina com um bônus extra, mas ignorasse a feminina.

5. A Conclusão do Detetive

O estudo conclui que, embora as universidades tentem ser meritocráticas (pagar pelo mérito), existe um "imposto invisível" sobre ser mulher na academia.

• Não é só sobre o cargo: Não é apenas que as mulheres estão em cargos mais baixos. Mesmo quando estão no topo, com a mesma experiência e produção, elas ganham menos.
• O que fazer? Os autores sugerem que as universidades precisam parar de olhar apenas para a média geral e começar a auditar os salários departamento por departamento. Elas precisam garantir que a avaliação de "produtividade" seja justa e que existam mecanismos para corrigir essas diferenças antes que se tornem permanentes.

Resumo em uma frase:
Mesmo quando mulheres e homens são "gêmeos" em experiência, cargo e trabalho, as mulheres na academia ainda ganham cerca de 6% a menos, e essa injustiça é ainda mais forte e dolorosa nas áreas de Medicina e Saúde.

Resumo técnico

Resumo Técnico: Avaliação da Desigualdade Salarial de Gênero na Academia

1. Problema e Contexto
O estudo aborda a persistência da lacuna salarial de gênero no mercado de trabalho acadêmico, um problema central na economia do trabalho e nas ciências sociais. Embora a literatura tradicional (desde Blinder [1973] e Oaxaca [1973]) tenha distinguido disparidades atribuíveis a características produtivas versus instituições de mercado, o ambiente acadêmico permanece um caso paradoxal: mesmo controlando por cargo, área de atuação e produção de pesquisa, as mulheres tendem a ganhar menos que os homens.
A maioria dos estudos anteriores baseia-se em métodos associacionais (como decomposições Oaxaca-Blinder ou regressões lineares), que não conseguem estimar resultados contrafactuais nem lidar adequadamente com confusão não observada (como interrupções de carreira ou cargas de serviço desiguais) e heterogeneidade no efeito do tratamento. O objetivo deste trabalho é aplicar métodos modernos de inferência causal para estimar o efeito causal do gênero sobre os salários, superando as limitações das abordagens descritivas.

2. Dados e Variáveis

• Fonte de Dados: O estudo utiliza registros salariais de 2022 de 16 instituições do sistema universitário público da Carolina do Norte (UNC), cobrindo 12.039 professores com contrato de tenure-track (Assistente, Associado e Titular).
• Variável de Resultado: Salário anual (transformado em log10 para normalizar a distribuição e permitir interpretação em termos percentuais).
• Variável de Tratamento: Gênero (Binário: Feminino vs. Masculino), inferido a partir de nomes usando a API Genderize com validação manual para garantir alta precisão.
• Covariáveis (Confounders):
  • Carreira: Anos de experiência, cargo acadêmico.
  • Institucional: Classificação da universidade (baseada no Carnegie Classification: R1, R2, Master/Bachelor) e departamento.
  • Disciplina: Categorizada em 6 grandes áreas (Negócios, Engenharia/Tecnologia, Artes/Humanidades, Ciências Médicas/Saúde, Ciências Naturais, Ciências Sociais).
  • Produtividade: Medida pelo índice i10 (número de publicações com pelo menos 10 citações) do Google Scholar, transformado em log10. Para professores sem perfil no Google Scholar, foi utilizada imputação baseada em médias de grupos similares.

3. Metodologia
Os autores empregam uma abordagem híbrida combinando métodos paramétricos e não paramétricos para estimar efeitos causais, assumindo a hipótese de ignorabilidade (unconfoundedness) condicional às covariáveis observadas.

• Métodos Paramétricos (Baseados em Pontuação de Propensão):

  • Propensity Score Matching (PSM): Emparelhamento por vizinho mais próximo com regressão ajustada posterior para estimar o Efeito Médio do Tratamento nos Tratados (ATT).
  • Inverse Probability Treatment Weighting (IPTW): Ponderação para estimar o Efeito Médio do Tratamento (ATE) na população total.
  • Regressão Ajustada: Uso da pontuação de propensão estimada como covariável em um modelo de regressão.
  • Especificação do Modelo: Inclui termos de interação complexos (ex: Universidade × Departamento × Produtividade; Cargo × Anos de Experiência) para capturar a estrutura não linear dos salários acadêmicos.

• Método Não Paramétrico (Florestas Causais - Causal Forests):

  • Utiliza o algoritmo Causal Forest (Athey & Imbens, 2016; Wager & Athey, 2018) para estimar o Efeito Médio do Tratamento Condicional (CATE).
  • Este método permite identificar heterogeneidade no efeito do tratamento, estimando como a lacuna salarial varia para subgrupos específicos (ex: diferentes níveis de produtividade ou carreiras) sem impor formas funcionais lineares.
  • Utiliza divisão de amostra (honest splitting) e ortogonalização (Double Machine Learning) para reduzir viés e overfitting.

4. Resultados Principais

• Lacuna Salarial Bruta: Sem ajustes, as mulheres ganham 11,71% a menos que os homens.
• Lacuna Salarial Ajustada (Causal): Após controlar rigorosamente para cargo, disciplina, experiência e produtividade, a lacuna persiste, variando entre 5,96% e 6,61%, dependendo do método utilizado:
  • PSM (ATT): 6,61%
  • IPTW (ATE): 6,17%
  • Regressão Ajustada: 6,45%
  • Floresta Causal (ATE na sobreposição): 5,96%
• Heterogeneidade do Efeito:
  • Disciplina: A desigualdade é mais aguda na área de Ciências Médicas e da Saúde (MHS), onde as mulheres ganham cerca de 7% a menos que homens comparáveis. Em Ciências Naturais e Sociais, a lacuna é menor (~5,5%).
  • Produtividade: Na área de MHS, a penalidade salarial tende a aumentar em níveis intermediários de produtividade, enquanto em outras áreas a disparidade é mais estável.
  • Retornos à Produtividade: Há uma forte interação entre disciplina e tipo de instituição. Em áreas como Negócios e Medicina, a produtividade (citações) está fortemente associada a salários mais altos em instituições de pesquisa intensa (R1). Em contraste, nas Artes e Humanidades, métricas de citação mostram associação negativa com o salário, sugerindo que essas métricas não capturam adequadamente o valor acadêmico nessas áreas.

5. Contribuições Chave

1. Estimativa Causal Robusta: O estudo fornece uma das primeiras estimativas causais robustas da penalidade salarial de gênero em um sistema universitário público abrangente, superando as limitações de estudos puramente descritivos ou baseados em regressão linear simples.
2. Análise de Heterogeneidade: Ao utilizar Florestas Causais, o trabalho revela que a desigualdade não é uniforme. Identifica que a disparidade varia sistematicamente por disciplina e nível de produtividade, oferecendo insights sobre onde as intervenções são mais necessárias.
3. Fluxo de Trabalho Reprodutível: O estudo disponibiliza um pipeline completo que integra dados salariais públicos, dados bibliométricos (Google Scholar) e técnicas modernas de inferência causal, servindo como modelo para auditorias de equidade em outros sistemas acadêmicos.

6. Significância e Implicações
Os resultados confirmam a existência de disparidades salariais estruturais de gênero na academia que não podem ser explicadas apenas por diferenças observáveis em produtividade, cargo ou experiência. A persistência de uma lacuna de ~6% sugere a presença de viés sistêmico ou barreiras institucionais.
O estudo destaca que a área de Ciências Médicas e da Saúde é um ponto crítico de desigualdade. Além disso, a descoberta de que métricas bibliométricas podem penalizar (e não recompensar) a produtividade em certas disciplinas (como Artes e Humanidades) e contextos institucionais levanta questões sobre a adequação dos critérios atuais de avaliação e promoção.
O trabalho recomenda reformas políticas, incluindo maior transparência salarial, padronização dos critérios de avaliação de pesquisa entre disciplinas e auditorias regulares de equidade desagregadas por estágio de carreira e área de atuação.

Limitações: O estudo é transversal (não longitudinal), depende de métricas de produtividade do Google Scholar (que podem subestimar o ensino e o serviço) e os resultados podem não generalizar totalmente para universidades privadas ou sistemas com governança diferente.