Worker-Side Discrimination: Beliefs and Preferences
劳动者侧歧视：信念与偏好AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦个体在不可观测属性选项间的选择、偏好与信念的识别与结构估计，并报告偏好和信念分布的估计，故对应离散选择、结构估计与分布效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
劳动者侧歧视：信念与偏好
- 研究问题
- 摘要称，研究如何在劳动者选择工作时，把他们对管理者性别的偏好与对管理者指导能力的信念区分开来，并估计这些偏好和信念的分布。
- 方法与思路
- 作者提出一种理论驱动的识别策略，指出补偿性差异可分别识别信念与偏好；将该方法应用于劳动者对管理者性别的偏好及对管理者指导能力的信念，并使用非参数估计与机器学习算法。
- 材料陈述的贡献
- 摘要称提供了关于劳动者对管理者性别偏好分布及其对管理者指导能力信念的首个证据：无指导能力信息时劳动者对管理者性别无差异，获得信息后偏好女性管理者并愿放弃约1.7%年均工资；无信息时认为女性管理者指导能力更差（约1.6%工资等价）。
- 阅读关注点
- 应核对补偿性差异识别信念与偏好的理论假设与适用条件、偏好和信念分布的识别与估计细节、信息实验或数据来源，以及1.7%和1.6%等数值的估计口径与稳健性。
- 阅读边界
- 摘要未说明样本、数据来源、识别假设的具体形式、估计量的统计性质，也未说明“证据表明这些信念有偏”的依据；仅凭摘要无法判断结论的外部有效性与因果解释。
原文摘要
When agents choose among options with unobserved attributes to maximize expected utility, their choices conflate preferences with beliefs about those attributes. We develop a novel theory-driven identification strategy for such settings, showing that compensating differentials separately identify beliefs from preferences. Noting that workers’ preferences and beliefs shape labor market outcomes, yet remain understudied, we apply our method to provide the first evidence on the distribution of workers’ preferences over manager gender, and their beliefs about managers’ mentoring ability. In the absence of information on manager mentoring ability, workers are indifferent to manager gender. However, upon receiving information on manager mentorship ability, workers prefer to work for female managers, willing to forgo 1.7% of average annual wages. Hence, absent additional information, workers believe female managers are worse mentors (1.6% wage equivalent). Non-parametric estimates of the distributions reveal that 76% prefer female managers with mentoring information, and 67% believe male managers are better mentors absent information. Machine learning algorithms show that individuals with higher education are less likely to hold such beliefs. These beliefs are primarily driven by perceptions that women are less competent. Evidence suggests these beliefs are biased, highlighting scope for informationbased policy interventions.