Heterogeneity in the Gender Wage Gap in Canada
Notice bibliographique
Résumé
There is significant heterogeneity in the male-female wage gap depending on individuals’ education, income, and labour supply choices. Using data from the Canadian Census and from the Labour Force Survey, we document to what extent the gap in hourly wages gets compounded by a gender gap in hours worked, making the annual gender pay gap much larger. Within fulltime full-year, full-time part year, and part-time jobs, we find much smaller gaps than the overall one, even conditional on detailed occupations. This suggests a different selection by gender into full-time and part-time jobs, with women of higher earnings potential selecting into part-time work. We document that men are more likely to be promoted than women, regardless of marital status, while women are more likely to select into part-time jobs or be absent from work if they have children in their care. Furthermore, the wage gap is very small for younger people and it increases with age, even for single individuals, providing suggestive evidence for statistical discrimination. The male-female wage gap decreases with education, at all quantiles of the income distribution, except for a glass ceiling effect observable for the top 10% of the university wage distribution. We look more deeply at this glass ceiling effect by assigning gender to the individuals on Ontario’s Sunshine list of public salary disclosure for top earners. We document a gender imbalance on the list, with twice more men than women making the list, but no substantive gender wage gap. Given all these findings, we contend that wage equality in the labour market can only be achieved in conjunction with gender equality in the household, and that effective policies to target the remaining wage gap should address labour supply and child rearing channels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».