“Efectos heterogéneos en sindicalización, un enfoque desde machine learning"

Abstract

Estudiamos la heterogeneidad en el efecto de la sindicalización sobre los salarios a través de un conjunto de datos observacionales de la Encuesta de Protección Social (EPS) en Chile. El análisis utiliza Machine Learning para abordar los siguientes problemas: evaluar el supuesto de positividad de los grupos de tratamiento y el balance de covariables; computar efectos condicionales promedio del tratamiento e interpretar los modelos imputados. Al comparar varios modelos diferentes de meta-learners, ilustramos la flexibilidad de estos estimadores en lo que respecta a predecir los efectos de los tratamientos. Encontramos que la sindicalización de los trabajadores tiene un efecto positivo sobre los salarios de 3.6%, con un intervalo de confianza al 95% de [3.02%,4.18%], y que la heterogeneidad contenida en el rango de [-21%,65%] ésta determinada por industrias, tamaño de la firma, experiencia laboral, ocupaciones y género.

We study heterogeneity in the effect of union on wages through an observational dataset from the Encuesta de Protecci´on Social (EPS) in Chile. The analysis uses Machine Learning to address the following associated problems: assessing treatment group positivity and covariate balance, imputing conditional average treatment effects, and interpreting imputed models. By comparing several different meta-learners models we illustrate the flexibility of these estimators in regards to predict treatments effects. We find that unionization of workers has a possitive effect on wages of 3.6%, 95%-CI of [3.02%,4.18%], and that the heterogeneity in the range of [-21%,65%] is determined by industries, firm size, experience, occupations, and gender.