Please use this identifier to cite or link to this item: http://hdl.handle.net/10419/213883
Authors: 
Brieland, Stephanie
Töpfer, Marina
Year of Publication: 
2020
Series/Report no.: 
Diskussionspapiere 111
Abstract: 
This paper analyses gender differences in pay at the mean as well as along the wage distribution. Using data from the German Socio-Economic Panel, we estimate the adjusted gender pay gap applying a machine learning method (post-double-LASSO procedure). Comparing results from this method to conventional models in the literature, we find that the size of the adjusted pay gap differs substantially depending on the approach used. The main reason is that the machine learning approach selects numerous interactions and second-order polynomials as well as different sets of covariates at various points of the wage distribution. This insight suggests that more exible specifications are needed to estimate gender differences in pay more appropriately. We further show that estimates of all models are robust to remaining selection on unobservables.
Abstract (Translated): 
Dieser Beitrag untersucht die geschlechtsspezifische Lohnlücke am Mittelwert und entlang der Lohnverteilung. Für unsere Analyse nutzen wir Daten des Sozio-ökonomischen Panels. Wir schätzen die bereinigte Lohnlücke zwischen Männern undFrauen unter Verwendung einer Methode des Maschinellem Lernens (post-double-LASSO Ansatz). Die mit dieser Methode geschätzten bereinigten Lohnlücken unterscheiden sich substantiell von den Ergebnissen konventioneller Ansätze. Hauptgrund für diese Unterschiede ist, dass der Ansatz des Maschinellen Lernens eine Vielzahl von Interaktionen und Polynomen zweiter Ordnung sowie unterschiedliche Kontrollvariablen entlang der Lohnverteilung wählt. Dieses Ergebnis deutet daraufhin, dass flexiblere Modelspezifikationen benötigt werden, um die Geschlechterlohnlücke adäquat zu schätzen. Wir zeigen auch, dass die Schätzergebnisse robust gegenüber Selektion aufgrund unbeobachtbarer Merkmale sind.
Subjects: 
Gender pay gap
Machine Learning
Selection on unobservables
JEL: 
J7
J16
J31
Document Type: 
Working Paper

Files in This Item:
File
Size





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.