Diferencias de género en la investigación económica. Un enfoque de aprendizaje automático

  1. J.Ignacio Conde-Ruiz 1
  2. Juan-José Ganuza 2
  3. Manu García 3
  4. Luis A. Puchc 1
  1. 1 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

  2. 2 Universitat Pompeu Fabra
    info

    Universitat Pompeu Fabra

    Barcelona, España

    ROR https://ror.org/04n0g0b29

  3. 3 Washington University in St. Louis
    info

    Washington University in St. Louis

    San Luis, Estados Unidos

    ROR https://ror.org/01yc7t268

Mostrar afiliaciones +
Revista:
Documentos de trabajo ( FEDEA )

ISSN: 1696-7496

Año de publicación: 2023

Número: 2

Páginas: 1-26

Tipo: Documento de Trabajo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Documentos de trabajo ( FEDEA )

Resumen

Utilizando técnicas de aprendizaje automático no supervisado y una nueva base de datos compuesta por los resúmenes de todos los artículos publicados en revistas Top5 (T5) de Economía para el periodo (2002-2019), se demuestra que existen diferencias horizontales persistentes y significativas en la forma en que hombres y mujeres abordan la investigación en Economía. Utilizando el Modelo Temático Estructural (STM) se estiman los temas de investigación de los artículos, y se asignan los artículos (y los autores) a dichos temas. La distribución resultante de temas de investigación por sexos demuestra que hay diferencias horizontales significativas de género en la elección de temas de investigación. Estos resultados son importantes por varias razones: i) Las publicaciones de T5 son clave para la carrera investigadora y también para determinar la trayectoria de la investigación económica; ii) Los resultados son robustos en el sentido de que se generan automáticamente con un modelo probabilístico sin ninguna asignación arbitraria de los trabajos a categorías o campos de investigación preestablecidos; iii) Por último, los recientes resultados teóricos de Conde-Ruiz and Ganuza (2017); Conde-Ruiz et al. (2021) y Siniscalchi and Veronesi (2020) muestran que las diferencias “horizontales” de género en la elección del tema de investigación pueden conducir a una brecha de género permanente.

Referencias bibliográficas

  • Arrow, K. J., “The Theory of Discrimination,” in Ashenfelter, O. and Rees, A. (eds), Discrimination in Labor Markets, Princeton University Press, 1973.
  • Azmat, G. and R. Ferrer, “Gender Gaps in Performance: Evidence from Young Lawyers,” Journal of Political Economy, 2017, 125 (5), 221–42.
  • Bertrand, M., Goldin, C., and L. Katz, “Dynamics of the Gender Gap for Young Professionals in the Financial and Corporate Sectors.,” American Economic Journal: Applied Economics, 2010, 2, 228–255.
  • Bohren, J. A; A. Imas and M. Rosenberg, “The Dynamics of Discrimination, Theory and Evidence,” American Economic Review, 2019, 109, 3395–3436.
  • Bordalo, P., K. Coffman, and N. Gennaioli, “Beliefs about Gender,” American Economic Review, 2019, 109, 739–773.
  • Campa, P. Bagues M., “Can Gender Quotas in Candidate Lists Empower Women? Evidence from a Regression Discontinuity Design,” 2017, (12149).
  • Conde-Ruiz, J. I., J.J. Ganuza, M. García, and L. A. Puch, “Gender Distribution across Topics in Top 5 Economics Journals: A Machine Learning Approach,” SERIEs: Journal of the Spanish Economic Association, 2022, 13, 269–308.
  • Conde-Ruiz, J.I and P. Ganuza J-J y Profeta, “Statistical Discrimination and the Efficiency of Quotas,” Fedea Working Papers, 2017.
  • Conde-Ruiz, J.I, J-J Ganuza, and P. Profeta, “Statistical Discrimination and Committees,” Fedea Working Papers, February 2021, (2021-06).
  • Hansen, S., M. McMahon, and A. Prat, “Transparency and Deliberation Within the FOMC: A Computational Linguistics Approach,” The Quarterly Journal of Economics, 10 2017, 133 (2), 801–870.
  • Heckman, J. and Sidharth M, “Publishing and Promotion in Economics: The Tyranny of the Top Five,” Journal of Economic Literature, June 2020, 58 (2), 419–70.
  • Hengel, E., “Publishing while Female. Are women held to higher standards? Evidence from peer review,” Cambridge Working Papers in Economics 1753, Faculty of Economics, University of Cambridge December 2020.
  • Jordan M. Blei D. Ng, A., “Latent Dirichlet Allocation,” J. Mach. Learn. Res., March 2003, 3 (null), 993–1022.
  • Matsa, D. A. and A. Miller, “Chipping Away at the Glass Ceiling: Gender Spillovers in Corporate Leadership,” American Economic Review, 2011, 101 (3), 635–639.
  • Niederle, M. and L. Vesterlund, “Explaining the Gender Gap in Math Test Scores: The Role of Competition,” Journal of Economic Perspectives, 2010, 24 (2), 129–144.
  • Reuben, E., P. Sapienza, and L. Zingales., “How Stereotypes Impair Women’s Careers in Science,” Proceedings of the National Academy of Sciences, 2014, 111, 4403–4408.
  • Roberts, M. E., B. M. Stewart, and D. Tingley, “stm: An R Package for Structural Topic Models,” Journal of Statistical Software, Articles, 2019, 91 (2), 1–40.
  • Siniscalchi, M. and P. Veronesi, “Self-image Bias and Lost Talent,” December 2020, (28308).
  • Tang, C., K. Ross, N. Saxena, and R. Chenn, “What’s in a Name: A Study of Names, Gender Inference, and Gender Behavior in Facebook,” 2011, pp. 344–356.
Fuente de los datos: Dialnet