economic project

       

   

Gender Differences in Returns on Education   

     

I. Introduction   

For a society that claims to value equality in the workplace, the gender gap in wages in  America seems awfully persistent. This paper investigates the differences in wages between men  and women at different levels of education using data from a sub sample of the Current  Population Survey (2012). Such analysis will help reveal the nature of the gender gap, and may  help identify the segments in which discrimination in the workforce may exist. Using linear  regressions, I first confirm the wage gap in the data and that returns to education are positive.  Next, I use interaction variables to illuminate gender differences on returns at the different levels  of education (high school, bachelor’s, and master’s). Overall, I find that females see higher  returns than men for completing high school and college, but not for graduate school.  

     

   

       

           

   

II. Data   

The data set consists of 999 observations of working individuals between the ages of 18  and 54: 

   

   

         

The average age in the sample is 39.11 years old. On average, individuals made $16.92  an hour with a standard deviation of $9.80. The average highest grade completed, 13.28, shows  that most graduated high school. 88% of the sample have high school diplomas, 24% hold a  bachelor's degree, and 7.4% have completed at least a master’s. ​ ​A majority was white (81.6%).  10% of the individuals were black, 9% were other races. 22.7% of the workers were part­time.  Approximately half of the sample was female. The following histogram shows the distribution of  education level:   

    Most of the data lies on the milestone years. The 12, 14, 16, and 16 areas represent high school  diplomas, associate's, bachelor’s, and master’s degrees. However there is some ambiguity at the  14th grade level: these observations could be both associate’s degree holders or four year college  dropouts.                

   

III. Empirical Methodology   

To compare gender differences in the returns on wages at different levels of education I  run a linear regression on log wages:   

   

The particular variables of interest are B9, B10, and B11. These interaction variables will show  the additional percentage point increase or decrease in wages that females accrue at the different  levels of education. 

 Because the distribution of wages is skewed right, I choose to use log wages, which are  more normally distributed and thus may increase the goodness of fit. Based on prior research, I  expect to see positive, though diminishing, returns to age. Thus, one would expect B1 to be  positive and B2 to be negative. Income inequality between whites and blacks is well established  in economic literature, so I expect B3 to be negative. B4 is also likely negative since many of the  higher paying jobs would be full time. I expect a negative coefficient on the female variable,  matching my hypothesis that the wage gap is present in the data. Lastly, the coefficients on the  dummy variables for completion of high school, completion of a bachelor’s, and completion of a  master’s are expected to be positive because higher education levels allow individuals to access  higher wage positions.  

There are some potential concerns with this methodology. First, there is inevitably a  sample selection problem since we are only looking at the data of employed people. For  example, if it were the case that being female lowered the probability of being employed due to  discrimination, then the sample observations would only represent the females with a relatively  high marginal productivity of labor. Thus, B5 might underestimate the true magnitude of the  wage gap. Another possible concern is omitted variable bias. For example, living in a city is  likely positively correlated with higher wages. Moreover, it may be the case that having a  master’s degree is correlated with a higher probability of living in a city. These positive  correlations would cause an upward bias on B8.             

   

  IV. Results 

 

 

  Column 1 shows the baseline specification which includes all the race dummy variables and does  not include the interaction variable for female and education. All the variables are significant at  the 5% level except for the race dummy variables for American Indian, Asian, Mixed, and  Hispanic. All signs on the significant coefficients are consistent with the predictions discussed in  the previous section. I conducted an F (4,986) test on the variables for American Indian, Asian,  Mixed, and Hispanic and found that none had a statistically significant impact on wages, all else  constant (p=.18). Thus, I decided to remove them from the regression in column 2. The adjusted  R^2 for column 1 was .164. 

In column 2, I add the interaction variables for females and education level. The adjusted  R^2 slightly improved in this specification to .168. The interaction variables are interpreted as  follows: females see an additional return of 5.6% compared to men for graduating high school,  an additional 24% return compared to men for graduating college, and a negative 26% return  compared to men for a master’s degree, all else equal. All the interaction variables are significant  at the 5% level. The signs on the rest of the coefficients are consistent with the initial predictions,  except for the coefficient on bachelor’s degrees. The statistical insignificance of the bachelor’s  variable in this regression can be explained as a point in the education level where female wages  catch up to the male wages (i.e. the wage gap closes).  In fact, my regression predicts that at the  bachelor’s degree level of education, female wages average about 8 percentage points higher  than men. However, the gap reappears for graduate level jobs. At that point, the model predicts  that men see about a 20% higher return than women, all else constant. The following graph  shows how the wage gap is “pinched” for bachelor’s degree wages: 

 

   

V. Conclusion   

In theory, it is not surprising that a wage gap persists at lower levels of education. Jobs  that do not require degrees tend to involve more manual labor, thus have positive returns on  physical strength. According to my results, female wages catch up to male wages with a  bachelor’s degree, but lag behind male wages at the graduate level. This may be evidence of  gender discrimination for senior positions. All in all, these results lend insight into the nature of  the gender gap: Since the gap closes with a bachelor’s degree, there does not seem to be evidence  that women earn less doing the same jobs as men. It seems a more likely explanation for the the  overall wage gap is that a disproportionate amount of men get hired for top paying positions.  Further investigation could involve using linear probability models to test gender differences in  the probability of being employed in senior executive positions.