Autor:  (1) Anuar Assamidanov, Departamento de Economía, Claremont Graduate University, 150 E 10th St, Claremont, CA 91711. (Correo electrónico: anuar.assamidanov@cgu.edu).  Tabla de enlaces   Abstracto   Fondo   Datos   Metodología   Resultados   Discusión y conclusión, y referencias.   A Apéndice Tablas y figuras  Abstracto  La discriminación de género en el proceso de contratación es un factor importante que contribuye a las disparidades en el mercado laboral. Sin embargo, hay poca evidencia sobre hasta qué punto el sesgo de género por parte de los gerentes de contratación es responsable de estas disparidades. En este artículo, exploto un conjunto de datos único de audiciones a ciegas del programa de televisión The Voice como experimento para identificar el propio sesgo de género en el proceso de selección. La primera audición televisada, en la que cuatro destacados artistas son entrenadores, escucha a los concursantes “a ciegas” (sillas de espaldas al escenario) para evitar ver al concursante. Utilizando una estrategia de estimación de diferencias en diferencias, un entrenador (persona contratante) es demostrablemente exógeno con respecto al género del artista, encuentro que los artistas tienen 4,5 puntos porcentuales (11 por ciento) más de probabilidades de ser seleccionados cuando son los destinatarios de un entrenador del sexo opuesto. También utilizo el enfoque de aprendizaje automático en Athey et al. (2018) para incluir la heterogeneidad de la composición de género del equipo, el orden de desempeño y las tasas de fracaso de los entrenadores. Los hallazgos ofrecen una nueva perspectiva para enriquecer investigaciones anteriores sobre la discriminación de género, arrojando luz sobre los casos de variación del sesgo de género según el género de quien toma las decisiones y la composición de género del equipo.  La discriminación de género en el proceso de contratación es un factor importante que contribuye a la pobreza del mercado laboral (Blau y Kahn, 2007). Las diferencias de género en la contratación son difíciles de medir, lo que dificulta distinguir su efecto en el empleo de variables de confusión, como las diferencias en el capital humano y las habilidades relevantes. Sin embargo, Baert (2018) ha catalogado estudios sobre evidencia de discriminación de género en la contratación utilizando métodos experimentales en los que se desenredaron factores de confusión para estimar el efecto real en los resultados del mercado laboral.  Los estudios han encontrado prácticas de discriminación en la contratación de mujeres en el mercado laboral, pero la mayoría de estas investigaciones han utilizado métodos experimentales (Bertrand y Duflo, 2017; Baert, 2018; Neumark, 2018). En estos experimentos, se envían pares de solicitudes de empleo ficticias, que solo se diferencian por el género del candidato, a ofertas de trabajo reales. La discriminación se identifica con la posterior llamada del empleador y el sexo del candidato. La metodología de prueba por correspondencia es el estándar de oro para estimar la discriminación en la contratación en el mercado laboral (Baert, 2015). Sin embargo, en esta literatura sobre contratación, el género de quienes toman las decisiones de contratación no es observable, o las decisiones se toman colectivamente. Además, estos experimentos solo capturan las tasas de devolución de llamadas y no van más allá de la etapa inicial del proceso de contratación. Además, suponiendo que las decisiones de contratación de los empleadores se basen en una regla de corte, podría haber diferencias variables no observadas en la productividad entre los dos grupos, lo que puede causar medidas de discriminación sesgadas (Neumark, 2012).  Otra parte de la literatura sobre discriminación de género es el sesgo de género propio (es decir, favoritismo hacia personas del mismo género) en las decisiones de contratación. Los experimentos de laboratorio a menudo encuentran que las mujeres muestran su propio sesgo de género cuando la información se procesa automáticamente, pero estos resultados no se encuentran en el caso de los hombres (Rudman y Goodwin, 2004). Sin embargo, no está claro si estos resultados se mantienen en las decisiones de contratación del mundo real, que probablemente se caractericen por un proceso reflexivo (no automático). Los estudios existentes sobre decisiones de contratación en el mundo real suelen considerar segmentos particulares del mercado laboral y encuentran evidencia mixta sobre el propio sesgo de género (Booth y Leigh, 2010; Bagues y Esteve-Volart, 2010; Bagues et al., 2017). Debido a las limitaciones de los datos en estos entornos, es difícil distinguir si existe favoritismo del género del empleador sobre el género del candidato (es decir, sesgo hacia el propio género). El objetivo principal de este artículo es comprobar si existe un sesgo de género en el proceso de contratación. Los posibles hallazgos podrían contribuir a nuestra comprensión del mercado laboral actual a nivel individual y las implicaciones posteriores a gran escala.  La principal dificultad para probar el sesgo de género en el proceso de contratación es que quienes toman las decisiones de contratación y los solicitantes no son el resultado de un proceso de selección aleatorio para reclamar un factor causal en la generación del propio sesgo de género. Además, el desafío fundamental de la identificación es que los investigadores solo observan datos del mundo real sobre trabajadores ya contratados; si el solicitante no está empleado, nunca se registra. Debido a estas limitaciones, existe una pregunta abierta en esta literatura sobre si el género de quien toma las decisiones de contratación determina el género de los solicitantes contratados. En este artículo, exploto un conjunto de datos único de audiciones a ciegas del programa Voice TV como un experimento natural para identificar el sesgo hacia el propio género en el proceso de selección.  Evalúo el sesgo hacia el propio género en el programa The Voice, un escenario en el que un entrenador (la persona que contrata) es demostrablemente exógeno con respecto al género del artista. La primera etapa televisada del programa Voice TV son las audiciones a ciegas. Los cuatro entrenadores, todos destacados artistas discográficos, escuchan a los concursantes en sillas de espaldas al escenario para evitar verlos. Si a un entrenador le gusta la voz del concursante, presiona un botón para rotar sus sillas y señalar que está interesado en trabajar con ese concursante. La ventaja de estas estimaciones es que los entrenadores sólo observan la voz de los concursantes y concluyen de la voz el género probable del concursante. Así, debido al proceso de decisión “ciego”, otras características relacionadas con el artista y el entrenador serán eliminadas en este escenario. Creo que este es un entorno plausible para utilizar una estrategia generalizada de identificación de diferencias en diferencias con asignación aleatoria de entrenadores a los participantes. Al igual que el estudio de Price y Wolfers (2010) sobre el prejuicio racial de los árbitros de la NBA, comparo las diferencias en la probabilidad de que los concursantes masculinos y femeninos sean elegidos por entrenadores masculinos y femeninos.  Al extraer varios tipos de inferencias, el análisis muestra evidencia sistemática de un sesgo hacia el género opuesto (favoritismo hacia el sexo opuesto). Los entrenadores hombres prefieren predominantemente a los concursantes que sean mujeres, mientras que las entrenadoras prefieren a los concursantes masculinos. Los concursantes tienen 4,5 puntos porcentuales (11 por ciento) más de probabilidades de ser seleccionados por un entrenador del sexo opuesto. Para examinar la heterogeneidad de manera más sistemática, adapto el enfoque de aprendizaje automático de Athey y Wager (2019). He ampliado el análisis incluyendo la heterogeneidad en la composición de género del equipo de cada entrenador, las tasas de fracaso de los entrenadores y el orden de desempeño. Los resultados proporcionan información interesante sobre el sesgo de género que varía ampliamente según la composición del equipo durante la selección de nuevos concursantes.  Este artículo ofrece una de las primeras exploraciones de las prácticas de contratación que utilizan la variación aleatoria de género para examinar los efectos en el proceso de selección. La variación aleatoria en el género me permite superar las posibles preocupaciones de que las disparidades observadas puedan deberse a diferencias no observadas entre los géneros de los concursantes. En segundo lugar, este artículo aplica el método de inferencia causal del aprendizaje automático forestal de Athey y Wager (2019) sobre efectos de tratamiento heterogéneos a una estrategia cuasiexperimental de identificación de diferencias en diferencias.  Este artículo está estrechamente relacionado con el trabajo de Carlsson y Eriksson (2019). Su trabajo proporciona evidencia relacionada que sugiere que en muchos otros contextos se ha documentado un papel de las preferencias de género dentro del grupo. Investigaron el sesgo intragrupal y de género en las decisiones de contratación en el mundo real combinando datos sobre el género del reclutador y la proporción de empleadas en muchas empresas con datos de un experimento de campo a gran escala sobre contratación. Los resultados sugirieron que las mujeres (contratadoras o empresas con una alta proporción de empleadas) favorecen a las mujeres en el proceso de contratación. Sin embargo, este estudio proporciona sólo una pequeña fracción de la información de las empresas participantes sobre el género de los reclutadores, lo que podría dar lugar a un error de medición considerable.  De manera similar a este trabajo, Goldin y Rouse (2000) estudiaron la ceguera en el contexto de la orquesta para examinar la selección de miembros de la orquesta con sesgos sexuales como una intervención política. Este artículo se diferencia de su trabajo en que puedo observar el género de la persona contratada y del concursante, y los entrenadores pueden observar el género del artista en función de su voz. Las decisiones de los entrenadores también se tomarán individualmente, mientras que en la audición a ciegas en la orquesta fue una decisión colectiva. Finalmente, la otra singularidad de este entorno es que pude analizar la estructura del mercado donde cada autocar podría asumirse como una empresa. Pude ilustrar el poder de mercado de los entrenadores aprovechando el orden de la actuación y el género de la canción que interpretaron. Controlar todos estos factores da una nueva dimensión a la discriminación de género en el mercado competitivo.  El resto del documento está organizado de la siguiente manera. La Sección 1 proporciona una breve descripción general de The Voice, resume la etapa de audición a ciegas del programa y ofrece una vista previa de nuestra estrategia de estimación. La sección 2 describe los datos. La sección 4 describe la estrategia empírica en detalle. La Sección 5 presenta los resultados y la Sección 5 concluye.  Este documento está   bajo licencia CC 4.0. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Precedent Tech 

Precedent publishes about the technology breakthroughes that'll rule tmw's mundane.

Precedent's blog

Este audio es producido en el idioma original de la historia!

Lo que revelan las audiciones de 'The Voice' sobre el sesgo de género en la contratación

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps