作者：  （1）Anuar Assamidanov，克莱蒙特研究生大学经济学系，150 E 10th St，克莱蒙特，CA 91711。（电子邮箱：anuar.assamidanov@cgu.edu）。 链接表 抽象的 背景 数据 方法 结果 讨论、结论和参考文献 附录表格和图表 抽象的 招聘过程中的性别歧视是造成劳动力市场差异的一个重要因素。然而，几乎没有证据表明招聘经理的性别偏见在多大程度上导致了这些差异。在本文中，我利用电视节目《好声音》盲选的独特数据集作为实验，以确定选拔过程中自身的性别偏见。第一次电视舞台试镜，四位值得注意的录音艺术家担任教练，他们“盲目”地听参赛者说话（椅子背对着舞台），以避免看到参赛者。使用差异估计策略，教练（招聘人员）明显与艺术家的性别无关，我发现当艺术家接受异性教练时，他们被选中的可能性要高出 4.5 个百分点（11%）。我还利用 Athey 等人（2018 年）的机器学习方法来包括团队性别构成、表现顺序和教练的失败率的异质性。研究结果为丰富过去的性别歧视研究提供了新的视角，揭示了决策者性别和团队性别构成导致的性别偏见差异。 招聘过程中的性别歧视是导致劳动力市场不景气的一个重要因素（Blau 和 Kahn，2007 年）。招聘中的性别差异很难衡量，因此很难将其对就业的影响与混杂变量（例如人力资本和相关技能的差异）区分开来。然而，Baert（2018 年）使用实验方法对招聘中性别歧视的证据进行了分类研究，其中混杂因素被解开以估计对劳动力市场结果的真实影响。 研究发现劳动力市场存在针对女性的招聘歧视，但大多数此类研究都采用了实验方法（Bertrand 和 Duflo，2017 年；Baert，2018 年；Neumark，2018 年）。在这些实验中，一对虚构的求职申请（仅在求职者的性别上有所不同）被发送到实际的职位空缺。歧视是通过雇主随后的回电和求职者的性别来确定的。对应性测试方法是评估劳动力市场招聘歧视的黄金标准（Baert，2015 年）。然而，在这类招聘文献中，招聘决策者的性别是不可观察的，或者决策是集体做出的。此外，这些实验仅捕捉回电率，并未超出招聘过程的初始阶段。此外，假设雇主的招聘决策基于截止规则，两组之间的生产力可能存在未观察到的变量差异，这可能导致有偏见的歧视措施（Neumark，2012 年）。 关于性别歧视的另一部分文献是招聘决策中的自身性别偏见（即偏袒自己性别的人）。实验室实验经常发现，当信息被自动处理时，女性会表现出自身性别偏见，但男性不会出现这种结果（Rudman 和 Goodwin，2004 年）。然而，尚不清楚这些结果是否适用于现实世界的招聘决策，因为现实世界的招聘决策很可能以反思（非自动）过程为特征。现有的关于现实世界招聘决策的研究通常考虑劳动力市场的特定部分，并发现自身性别偏见的混合证据（Booth 和 Leigh，2010 年；Bagues 和 Esteve-Volart，2010 年；Bagues 等人，2017 年）。由于这些设置中的数据限制，很难区分雇主的性别是否偏袒候选人的性别（即自身性别偏见）。本文的主要目的是测试招聘过程中是否存在自身性别偏见。潜在的发现可以帮助我们了解个人层面的当前劳动力市场及其随后的大规模影响。 测试招聘过程中的性别偏见的主要困难在于，招聘决策者和求职者不是随机选择过程的结果，因此无法声称是产生自身性别偏见的因果因素。此外，根本的识别挑战在于研究人员只观察已雇用员工的真实数据——如果求职者未被雇用，则永远不会被记录。由于这些限制，本文中存在一个悬而未决的问题：招聘决策者的性别是否决定了被雇用的求职者的性别。在本文中，我利用了电视节目《好声音》盲选的独特数据集作为自然实验，以识别选择过程中的自身性别偏见。 我评估了《美国好声音》节目中的自身性别偏见，在这个节目中，教练（雇用人员）明显与艺术家的性别无关。《美国好声音》电视节目的第一个电视转播阶段是盲选。四位教练都是著名的录音艺术家，他们坐在背对舞台的椅子上聆听参赛者的声音，以避免看到参赛者。如果教练喜欢参赛者的声音，他们会按下按钮旋转椅子，以表示他们有兴趣与该参赛者合作。这些估计的优点是教练只观察参赛者的声音，并从声音中推断出参赛者的可能性别。因此，由于“盲”决策过程，与艺术家和教练相关的其他特征将在此环境中被消除。我相信这是一个合理的环境，可以使用广义的差异识别策略，将教练随机分配给参与者。像 Price 和 Wolfers (2010) 对 NBA 裁判种族偏见的研究一样，我比较了女性和男性选手被女性和男性教练选中的概率差异。 通过得出几种类型的推论，分析显示了异性偏见（偏袒异性）的系统证据。男性教练主要喜欢女性参赛者，而女性教练则喜欢男性参赛者。参赛者被异性教练选中的可能性高出 4.5 个百分点（11%）。为了更系统地检查异质性，我采用了 Athey 和 Wager (2019) 的机器学习方法。我扩展了分析，包括每个教练团队的性别构成、教练的失败率和表现顺序的异质性。结果提供了有趣的见解，表明在选择新参赛者时，不同团队构成之间存在很大差异的性别偏见。 本文首次探索了使用性别随机变化来研究对选拔过程的影响的招聘实践。性别的随机变化使我能够克服潜在的担忧，即观察到的差异可能是由于未观察到的竞争者性别差异造成的。其次，本文将 Athey 和 Wager (2019) 因果森林机器学习推断异质治疗效应的方法应用于准实验差异识别策略。 本文与 Carlsson 和 Eriksson (2019) 的研究密切相关。他们的研究提供了相关证据，表明群体内性别偏好的作用已在许多其他情况下得到证实。他们将招聘人员的性别和许多公司的女性员工比例数据与大规模招聘现场实验的数据相结合，研究了现实世界招聘决策中的群体内和自身性别偏见。结果表明，女性（女性招聘人员或女性员工比例较高的公司）在招聘过程中更青睐女性。然而，这项研究只提供了参与公司关于招聘人员性别的一小部分信息，这可能会导致相当大的测量误差。 与本研究类似，Goldin 和 Rouse (2000) 在管弦乐队的背景下研究了盲选问题，以检验性别歧视的管弦乐队成员选择作为政策干预的效果。本文与他们的研究不同之处在于，我可以观察到招聘者和参赛者的性别，教练可以根据表演者的声音观察他们的性别。教练的决定也将是单独做出的，而在管弦乐队的盲选中，则是一个集体决定。最后，这种设置的另一个独特之处是，我可以分析市场结构，其中每个教练都可以被视为一家公司。我能够通过表演顺序和他们表演的歌曲类型来说明教练的市场力量。控制所有这些因素为竞争市场中的性别歧视提供了一个新的维度。 本文的其余部分安排如下。第 1 部分简要介绍了《美国好声音》的背景，总结了该节目的盲选阶段，并预览了我们的估计策略。第 2 部分描述了数据。第 4 部分详细描述了实证策略。第 5 部分介绍了结果，第 5 部分总结了结论。 该论文 。 可在 arxiv 上根据 CC 4.0 许可获取

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.

《美国好声音》试镜揭露招聘中的性别偏见

About Author

註釋

標籤

这篇文章刊登在

Related Stories

从论坛到信息流：社交媒体算法如何塑造数字互动

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

架构师指南：构建 AI/ML 数据湖参考架构

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

从论坛到信息流：社交媒体算法如何塑造数字互动

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

架构师指南：构建 AI/ML 数据湖参考架构

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps