艰难的权衡：时间和职业选择如何影响性别薪酬差距。

技术附录艰难的权衡：时间和职业选择如何影响性别薪酬差距。 本附录提供了进行的分析的方法论细节以及术语表。其组织结构如下： 性别认同。一个机器学习模型利用个人的姓名、姓名起源和出生年份来预测性别，仅包括那些模型以超过95%的置信度识别的预测。 1. 样本选择 2. 技能差距 从这个包含两百万个人的数据集中，我们选择了一个子集，这些人在其职业生涯开始时已经声明了他们的教育背景（以控制他们开始职业生涯的年份），至少改变过一次角色（定义为拥有至少两个角色，甚至在同一公司内也是如此），并在他们最高的教育成就之后至少有十年的工作经验（以确保分析职业轨迹的纵向路径）。这最终产生了35,235名女性和50,529名男性的样本，总计85,764人，我们在主要文章文本中以四舍五入的数字（分别为35,000、51,000和86,000）呈现。这些个人资料涵盖了大约36,000个独特的职位名称，这些名称可以映射到美国劳工统计局（BLS）分类的705个职业。 3. 工资流动性 4. 性别收入差距的分解 a. 起始点和职业轨迹的不同b. 同一职业内的提升差异c. 工作小时数的差异 5. 职业类别的历史轨迹模式及未来性别混合预测 6. 不同类型公司与男性和女性人力资本产出之间的相关性 7. 词汇表 请注意，所有从样本中报告的发现，在相关的情况下，均以5%的置信区间统计显著。 关于我们样本中的工人，大约三分之二的人在2000年后开始他们的职业生涯，其中大约一半是在2005年后。样本中女性的比例在多年来一直保持大致一致。无论他们何时进入劳动市场，每个工人群体（包括男性和女性）的职业轨迹通常是连贯的，这使得可以在样本层面上进行外推。我们还使用了一个较小的子集的个体进行分析，这些个体在2012年开始他们的职业生涯，并在2022年拥有正好十年的工作经验，结果方向上相似。 1. 样本选择 我们的分析使用了麦肯锡组织数据平台专有信息，该平台从数百万个在线公开专业档案的授权、匿名数据中抽取信息。本研究的底层数据包括超过200个国家超过1亿人的工作和教育历史，以及超过500个职业平台发布的超过2亿个职位。 样本的在线专业资料包括工人详细的职业轨迹——进入职场年份、所担任的角色、角色变动和职业轨迹，以及职业中断。但并不包括相关的工资、工作时间或按资历等级或工龄支付的薪酬。 这项研究专门聚焦于美国本土的概况，特别是从超过六千万个资料库中随机挑选了百万名男性和百万名女性作为样本。 我们将这些变量从人口层面的统计数据中映射出来，使用的来源包括BLS（美国劳工统计局）提供的工资和工资分布数据、IPUMS（原称综合公共使用微观数据系列）提供的职业性别工资差距数据、美国人口普查局的美国家庭调查数据用于工作时长，以及职业信息网络（O*NET）提供的职业特征，如竞争力、灵活性、体力要求等。 职业混合情况在起点及十年工作经验后（分别）。结果趋势保持相似。 2. 技能差距 我们通过观察与个人所从事工作相关的技能要求来估算技能差距。我们使用职位发布数据来估算每个角色的所需技能，利用来自超过50,000个职位板的2,090万个汇总职位发布数据集。这包括705个O*NET类别中的1,260万个职位发布。为了确定特定角色的所需技能，我们仅考虑至少出现在该角色60%的职位列表中的技能。 我们的样本反映了在线工作历史档案，并且倾向于更高学历的、薪酬较高的职业工作者，男性和女性之间的偏差不同，这或许反映了女性在薪酬较高的职业中代表性较低，因此在线档案中也是如此（图A1）。为了验证我们的发现是否适用于整个美国劳动力市场，我们重新加权样本以反映美国劳动力的状况。 每个角色的技能差距迁移通过将加权的新技能数量（对个人先前角色来说新或非重复的技能）除以总的数量来计算。 2022年工人分布，样本与美国总量的比较，百分比 麦肯锡公司 这项关于工资差距的估计涵盖了所有年龄段的工人——包括季节性和非季节性工人，以及兼职和全职工人——并且在我们样本的每个职业中进行衡量。正如前一部分所讨论的，2022年被用作估计工人职业生涯第十年的工资的基准年份，无论每个个体的起始日历年份如何。 所需技能以满足个人新角色的要求。例如，当一个人从一个具有十个加权技能的角色转移到新角色时，其中六个技能来自之前的工作，四个是新的，该转移的技能差距为40%。 技能的权重由技能频率决定，这给特定角色独有的技能赋予更高的权重，而不是在多个角色中普遍存在的技能，即逆频率权重。此措施是通过在职位发布数据中报告的汇总技能需求来计算的。 有趣的是，样本和更广泛的美国劳动力中的工资差距估计均为27%。1我们将进一步深入探讨将性别薪酬差距分解为（a）起点和职业轨迹的差异；（b）职业内部进步的差异；（c）工作小时数的差异的方法。未能进一步分解的剩余薪酬差距被称为残留差距。 3. 工资流动性 我们研究工人的职业发展路径以及他们在十年间从一个角色过渡到另一个角色的转变。使用以2022年为基准年的实际年度工资，我们确定职业生涯第十个日历年中任何职业的平均工资。 a. 起点不同和职业轨迹的差异 为了隔离起点和随着时间的推移男性和女性职业轨迹的分化对职业分布的影响，我们采用了反事实假设：“如果女性在职业生涯的前十年中从自己的起点开始，遵循男性的职业路径，那么他们的职业分布在第十年将是什么样子？” 为了了解男性和女性在职业轨迹模式上的差异，我们根据他们在职业生涯开始时所在的职业以及到十年后所转到的职业，对所有工人的工资流动性进行了测量。在本分析中，我们忽略了职业内部的性别薪酬差距，以专注于运动模式。为了实现这一目标，我们将所有职业根据其在2022年的平均工资分为五个等级。然后，我们考察了在职业生涯的第十年，男性和女性在职业工资等级分布中的情况。在入门水平上保持等级分类不变，我们追踪了男性和女性从起始职业到第十年的职业之间的等级变动。在起点，即使不考虑职业内部的性别薪酬差距，如果男性和女性从相同的职业开始，我们也假设他们的平均工资相似，无论他们的教育背景如何。 首先，我们通过将根据第十年男女分别持有的职业分布计算出的各职业总体 workforce 平均工资应用于女性和男性，从而计算出女性和男性的无性别平均工资。与工资流动性分析类似，为了专注于移动模式，我们故意忽略了职业内部的性别工资差距进行分析。 接下来，我们在反事实情景中测量女性的非性别平均工资——也就是说，如果她们从相同的职业开始，遵循与男性相同的职业轨迹。例如，假设有750名女性和250名男性从同一办公室支持职业开始他们的职业生涯，平均工资为40,000美元。在十年内，也许这750名女性转向了不同的职业，加权平均工资为50,000美元，而250名男性转向了不同的职业，平均工资为60,000美元。在反事实情景中，假设所有750名女性以与男性相同的比例转向其他职业，结果加权平均工资为60,000美元。考虑另一个 4. 性别收入差距的分解 整体工资差距是通过比较男性和女性的加权平均（均值）工资来估算的。2022年美国劳动力按职业的平均工资，来源于美国劳工统计局（BLS），根据IPUMS中男性和女性工资的工资差距比率和来自BLS的职业性别分布，被分解为男性和女性的工资。 职业——比如，STEM领域的职业。假设有750名男性和250名女性开始从事这个职业，平均年薪为8万美元。在十年内，如果女性要么转向其他职业，要么继续担任IT经理，平均年薪为9万美元，而男性平均年薪为12万美元，反事实情景将假设所有250名女性都会在第十年收入达到12万美元，与男性相同。 b. 职业内部发展差异 在同一个职业领域，到第十个年头，男性和女性可能会处于不同的资历级别，并具有不同水平的工作经验，这是由于工作时长和职业中断等因素的差异。为了评估这些差异对薪酬差距的影响，我们将职业分为两组：（1）专业职业，如医生和电工；（2）企业职业，如人力资源经理和行政助理。在专业职业组中，我们认为角色经验的不同主要是由于职业内的晋升而导致的薪酬差距的主要驱动力；而在企业职业组中，资历级别和角色经验的差异都被视为基本的驱动力。 十年间的非性别平均工资差异可以分为两个部分：(1) 由于职业轨迹差异导致的差异，以女性在总体平均工资与其反事实情景中的平均工资之间的差异来衡量；(2) 由于起点的差异导致的差异，以男性在总体平均工资与反事实情景中女性的平均工资之间的差异来衡量。 一位人员在任何特定职位中十年的资历水平是根据其在该职业中的职务头衔和在该职业中的总经验来确定。样本中每个唯一的职务头衔均被分配到五大资历类别之一，从高级管理人员到预备管理人员位置：1）董事级；2）高层管理人员，例如副总裁和董事；3）中层经理；4）预备管理人员职位，如个人贡献者和专业人士；和5）助理和分析师。我们对此职务头衔样本中性别分布的估计总体上符合麦肯锡公司与LeanIn联合进行的《职场女性调查》，该调查搜集了280家公司的人力资源领导者关于涉及300多万员工的全局人才管道的信息。2 在我们的样本中，女性在第十年时的非性别化平均工资约为82,000美元，而在反事实情景下的平均工资约为89,000美元。这表明由于职业轨迹的不同，存在7,000美元或8%的差距。男性在第十年时的平均工资约为92,000美元，表明由于起点不同，存在3,000美元或3%的差距。我们还发现，职业轨迹差距在最低五分之一收入群体中最高。 为了验证我们研究的稳健性，我们在几种不同的假设情况下估计了性别工资差距的组成部分：(1) 如果女性拥有与男性相同的起点但遵循自己的职业轨迹；(2) 如果男性拥有与女性相同的起点但遵循自己的轨迹；(3) 如果男性和女性都从各自的起点开始职业生涯，但通过职业遵循相同的平均轨迹；以及(4) 如果男性遵循与女性相同的职业道路，但拥有自己的起点。此外，我们还考察了样本的不同子集：一个包含约50,000名至少有15年工作经验的工人，我们对他们在第15年（而不是第十年）的工资差距及其组成部分进行了测量，以及约27,000名在第20年的工人。在这些所有情况下，我们的发现都保持一致。 利用美国劳工统计局（BLS）的职业工资分布，每个个人根据其资历水平被分配一个工资倍数，以调整其平均工资。与之前分析中使用的方法类似，我们忽略了职业内的性别工资差距，专注于分析晋升方面的差异。 薪酬分布数据按百分位数使用，以估计薪资在资历维度上的情况，假设薪资随职务头衔呈线性增长：助理获得最低薪资（第十百分位数），而C级高管获得最高薪资（第九十百分位数）。其余职务头衔根据分布情况映射到最近的薪资百分位数。这种方法使我们能够考虑： 例如，在较低级别职位上具有长期工作经验的个人可能比在较高级别职位上工作年限较短的人赚取更多。例如，技术领域的第五年个人贡献者比第一年的产品经理收入更高。 从萎缩职业向增长职业的转变，以及减缓相反方向的转变。然而，我们没有估计这些潜在影响。 6. 不同类型公司与男性和女性人力资本产出之间的相关性 c. 工作时间差异 为了衡量由劳动投入差异引起的工资差距，我们使用了美国社区调查中关于整体美国劳动力在职业层面的男性和女性工作时间的数据。我们计算了男性和女性在各个职业中平均工作时间的差异，作为一个简单平均值。这种方法使我们能够隔离劳动投入差异的影响，独立于职业分布。工作时间的变化可能源于兼职工作者比例的差异，或者全职和兼职工作者总工作时间的差异。 我们识别出7,409名男性和5,067名女性（总共12,476名独特的工人）来自我们的样本，他们在2010年至2019年期间至少经历过约1,100家公司——这些公司被麦肯锡全球研究院之前的研究分为四类，即“人力+绩效赢家”、“绩效驱动型公司”、“以人为本的公司”和“典型表现者”。 这个子样本的性别分布与整体样本相似，但更偏向于高薪的STEM和商业专业职业。鉴于这些人是美国大型公司的雇员，这种倾斜是可以预料的。 5. 职业类别的历史轨迹模式及未来性别混合预测