Acceso usuarios
Valeria Carolina Edelsztein, Sebastián Ariel Waisbrot
Poder descomponer la brecha salarial (GPG) y determinar la contribución de cada componente es importante para diseñar políticas adecuadas para reducirla. Con el objetivo de aportar una nueva herramienta para lograrlo, en este trabajo proponemos un enfoque de descomposición basado en un modelo de aprendizaje automático. La herramienta se implementó en una población de 5 742 trabajadores argentinos relacionados con la informática para obtener el valor de la GPG ajustada y no ajustada en un proceso de cuatro fases: caracterización de la muestra, desarrollo de un predictor de salarios, cálculo de GPG ajustada y análisis del componente explicado de la GPG. Según nuestro análisis, existe una GPG de 20%, de la cual 7,7% puede explicarse exclusivamente por discriminación directa, mientras que 12,3% puede atribuirse a otros factores, como años totales de experiencia, nivel educativo y número de personas a cargo.
Being able to decompose the gender pay gap (GPG) and determine the contribution of each component is important to design appropriate policies to reduce it. With the aim of providing a new tool to achieve this, in this paper, we propose a decomposition approach based on a machine learning model. The tool was implemented on a population of 5 742 Argentinean IT-related workers to obtain the value of the adjusted and unadjusted GPG in a four-phase process: sample characterization, development of a wage predictor, calculation of adjusted GPG, and analysis of the explained component of GPG. According to our analysis, there is a GPG of 20%, 7,7% of which can be explained exclusively by direct discrimination while 12,3% can be ascribed to other factors, such as total years of experience, educational level, and number of people in charge.
