{"id":2656,"date":"2019-02-20T06:02:54","date_gmt":"2019-02-20T09:02:54","guid":{"rendered":"http:\/\/www.geekosas.com\/?p=2656"},"modified":"2019-02-20T09:09:12","modified_gmt":"2019-02-20T12:09:12","slug":"gender-pay-gap-en-tecnologia","status":"publish","type":"post","link":"https:\/\/geekosas.com\/index.php\/es\/2019\/02\/20\/gender-pay-gap-en-tecnologia\/","title":{"rendered":"Gender Pay Gap en Tecnolog\u00eda"},"content":{"rendered":"\n

El Gender Pay Gap consiste en la diferencia que existe en promedio en los sueldos de Hombres vs el de las Mujeres.<\/p>\n\n\n\n

Hoy en d\u00eda existen personas que atribuyen lo anterior a una discriminaci\u00f3n, mientras que otros dicen que es debido a las decisiones que en promedio los hombres toman vs las de las mujeres.<\/p>\n\n\n\n

Como ambas opiniones tienen fundamento, decid\u00ed realizar an\u00e1lisis sobre alguna base de datos que me permitiera develar la realidad, fue entonces cuando me encontr\u00e9 con la base de datos de la encuesta que todos los a\u00f1os stackOverflow realiza, lo interesante de esta es que adem\u00e1s de recopilar genero y sueldo, recopila muchos otros atributos como: Sistema operativo favorito, lenguajes que programa, a\u00f1os de experiencia etc..<\/p>\n\n\n\n

La encuesta la responden personas del rubro tecnol\u00f3gico de todo el mundo y se realiza anualmente, pero nos vamos a concentrar en los datos del a\u00f1os 2018 para Estados Unidos donde los individuos son empleados (no independientes), con sueldo anual entre USD 50.000 y USD 200.000, esto debido a que es donde se contestaron m\u00e1s encuestas y donde se concentra la mayor\u00eda de los sueldo.<\/p>\n\n\n\n

En este an\u00e1lisis me guiar\u00e9 solo por herramientas de Advanced Analytics e interpretare sus resultados, pero ustedes, los lectores son libres de debatir sobre el tema.<\/p>\n\n\n\n

Evidencia del Salary Gap<\/h2>\n\n\n\n

Para comenzar, partir\u00e9 mostrando que efectivamente existe una diferencia en los sueldos promedio Anual de hombres y mujeres:<\/p>\n\n\n

\naux = dataset %>% \n  group_by(Male) %>% \n  summarise(salario = mean(ConvertedSalary,na.rm=T),\n            number = n()) %>% \n  filter(!is.na(Male))\n\nggplot(aux,(aes(Male,salario))) + geom_bar(stat = 'identity', fill = 'dark orange') + ggtitle('Salario Promedio por Genero') + scale_fill_tableau() \n<\/pre><\/div>\n\n\n
\"\"<\/figure>\n\n\n\n
El cual si miramos su distribuci\u00f3n, notamos que las mujeres tienen una concentraci\u00f3n mayor en sueldos m\u00e1s bajos:<\/p>\n\n\n
\nggplot(filter(dataset,!is.na(Male)),aes(ConvertedSalary,group = Male, fill = Male)) + \n  geom_density(alpha= 0.3,kernel = 'epanechnikov') + \n  ggtitle('Distribucion de Sueldo por Genero')  + \n  scale_fill_tableau() \n<\/pre><\/div>\n\n\n
\"\"<\/figure>\n\n\n\n
Es mas f\u00e1cil ver este efecto si miramos el logaritmo de los sueldos, donde claramente se ve que el sueldo de las mujeres est\u00e1 mas a la izquierda que el de los hombres:<\/p>\n\n\n
\nggplot(filter(dataset,!is.na(Male)),aes(log10(ConvertedSalary),group = Male, fill = Male)) + \n  geom_density(alpha= 0.3,kernel='epanechnikov') + \n  ggtitle('Distribucion de Log Sueldo por Genero')  + \n  scale_fill_tableau() \n<\/pre><\/div>\n\n\n
\"\"<\/figure>\n\n\n\n
Por ultimo si realizamos un test de medias de una cola, arroja un p-valor = 0, por lo que se puede afirmar que los promedios son significativamente distintos.<\/p>\n\n\n
\nt.test(ConvertedSalary ~ Male, filter(dataset,!is.na(Male)),alternative = 'less')\n<\/pre><\/div>\n\n\n
t.test(ConvertedSalary ~ Male, filter(dataset,!is.na(Male)),alternative = 'less')\n\n## \n##  Welch Two Sample t-test\n## \n## data:  ConvertedSalary by Male\n## t = -8.452, df = 917.2, p-value < 2.2e-16\n## alternative hypothesis: true difference in means is less than 0\n## 95 percent confidence interval:\n##       -Inf -7793.837\n## sample estimates:\n## mean in group FALSE  mean in group TRUE \n##            95684.52           105363.99<\/code><\/pre>\n\n\n\n
An\u00e1lisis con Arboles<\/h2>\n\n\n\n
Para comenzar utilizaremos Machine Learning para encontrar las variables que mejor explican el sueldo de un programador, a ver si aparece el genero.<\/p>\n\n\n\n
Podemos ver que las variables m\u00e1s importantes son:<\/p>\n\n\n\n