ترجمه فارسی مقاله برآورد تفاوت دستمزد با استفاده از مدل های بنیادی

چکیده

One thread of empirical work in social science focuses on decomposing group differences in outcomes into unexplained components and components explained by observable factors. In this paper, we study gender wage decompositions, which require estimating the portion of the gender wage gap explained by career histories of workers. Classical methods for decomposing the wage gap employ simple predictive models of wages which condition on a small set of simple summaries of labor history. The problem is that these predictive models cannot take advantage of the full complexity of a worker’s history, and the resulting decompositions thus suffer from omitted variable bias (OVB), where covariates that are correlated with both gender and wages are not included in the model. Here we explore an alternative methodology for wage gap decomposition that employs powerful foundation models, such as large language models, as the predictive engine. Foundation models excel at making accurate predictions from complex, high-dimensional inputs. We use a custom-built foundation model, designed to predict wages from full labor histories, to decompose the gender wage gap. We prove that the way such models are usually trained might still lead to OVB, but develop fine-tuning algorithms that empirically mitigate this issue. Our model captures a richer representation of career history than simple models and predicts wages more accurately. In detail, we first provide a novel set of conditions under which an estimator of the wage gap based on a fine-tuned foundation model is $\sqrt{n}$-consistent. Building on the theory, we then propose methods for fine-tuning foundation models that minimize OVB. Using data from the Panel Study of Income Dynamics, we find that history explains more of the gender wage gap than standard econometric models can measure, and we identify elements of history that are important for reducing OVB.

چکیده به فارسی (ترجمه ماشینی)

یکی از موضوعات کار تجربی در علوم اجتماعی بر تجزیه تفاوتهای گروهی در نتایج به مؤلفه ها و مؤلفه های غیر قابل توضیح که توسط عوامل قابل مشاهده توضیح داده شده است ، متمرکز شده است.در این مقاله ، ما تجزیه دستمزد جنسیتی را مطالعه می کنیم ، که نیاز به برآورد بخشی از شکاف دستمزد جنسیتی است که توسط تاریخچه شغلی کارگران توضیح داده شده است.روشهای کلاسیک برای تجزیه شکاف دستمزد از مدلهای پیش بینی ساده دستمزدها استفاده می کنند که در مجموعه کوچکی از خلاصه های ساده از تاریخ کار قرار دارد.مشکل این است که این مدلهای پیش بینی کننده نمی توانند از پیچیدگی کامل تاریخ یک کارگر استفاده کنند ، و تجزیه های حاصل از آن از تعصب متغیر حذف شده (OVB) رنج می برند ، جایی که متغیرهای متغیر که با هر دو جنس و دستمزد در ارتباط هستند در مدل گنجانده نشده است.در اینجا ما یک روش جایگزین برای تجزیه شکاف دستمزد را کشف می کنیم که از مدل های بنیادی قدرتمند مانند مدل های بزرگ زبان به عنوان موتور پیش بینی استفاده می کند.مدل های بنیاد در پیش بینی های دقیق از ورودی های پیچیده و با ابعاد بالا برتری دارند.ما از یک مدل بنیاد ساخته شده سفارشی استفاده می کنیم ، برای پیش بینی دستمزدها از تاریخچه کار کامل ، برای تجزیه شکاف دستمزد جنسیتی.ما ثابت می کنیم که روشی که معمولاً چنین مدلهایی آموزش می یابند ممکن است هنوز منجر به OVB شود ، اما الگوریتم های تنظیم دقیق را ایجاد می کنند که از نظر تجربی این مسئله را کاهش می دهند.مدل ما نمایشی غنی تر از تاریخ شغلی را نسبت به مدل های ساده ضبط می کند و دستمزدها را با دقت بیشتری پیش بینی می کند.با جزئیات ، ما ابتدا مجموعه ای از شرایط جدید را ارائه می دهیم که تحت آن یک برآوردگر از شکاف دستمزد بر اساس یک مدل پایه تنظیم شده خوب $ \ SQRT {n} $-سازگار است.با تکیه بر این تئوری ، ما روش هایی را برای مدل های پایه تنظیم دقیق ارائه می دهیم که OVB را به حداقل می رساند.با استفاده از داده های مطالعه پانل پویایی درآمد ، می یابیم که تاریخ بیشتر از شکاف دستمزد جنسیتی را توضیح می دهد تا مدل های اقتصاد سنجی استاندارد می تواند اندازه گیری کند ، و ما عناصر تاریخ را که برای کاهش OVB مهم هستند ، شناسایی می کنیم.