Equipara · Isolando o Gap Salarial de Gênero com Machine Learning

Acesse a aplicação em produção: https://bbasilisco.github.io/Equipara/

O Equipara é uma ferramenta interativa desenvolvida para transformar diagnósticos complexos sobre disparidade salarial de gênero no mercado de trabalho formal brasileiro em análises executáveis e acionáveis.

Em conformidade com as exigências da Lei nº 14.611/2023 (Relatório de Transparência Salarial), o projeto utiliza modelos de Machine Learning treinados sobre microdados da RAIS (Relação Anual de Informações Sociais) para separar o gap bruto (diferença direta de médias/medianas) do gap controlado (diferença real associada ao gênero quando todas as demais variáveis observáveis são mantidas constantes).

---

🎯 O Problema e a Abordagem

As análises estatísticas tradicionais frequentemente subestimam a desigualdade salarial por conta do paradoxo da composição: como as mulheres na base formal possuem maior nível de escolaridade média que os homens (24,9% com superior completo contra 14,3%), a média/mediana bruta mascara parte da disparidade real de tratamento.

Para isolar o efeito estrito do gênero, o projeto adota uma metodologia em quatro etapas:

1. Descrever: Diagnóstico exploratório e tratamento de anomalias operacionais (como códigos administrativos disfarçados em jornadas de trabalho e tratamentos específicos para cargos de diretoria).
2. Testar: Testes não paramétricos de hipóteses ($Mann-Whitney\ U$ e $rbc$) na base completa ($6,05$ milhões de vínculos).
3. Controlar: Modelagem preditiva multivariada isolando escolaridade, tempo de empresa, idade, jornada, tipo de vínculo, ocupação (CBO a 2 dígitos), ano e UF.
4. Medir: Experimento contrafactual em massa ($20.000$ perfis do conjunto de teste) alternando exclusivamente a variável gênero.

---

📊 Principais Achados Técnicos

• Gap Bruto vs. Gap Controlado: Enquanto o gap bruto mediano da base é de 9,4%, o experimento contrafactual controlado com o modelo campeão registra um gap mediano de 16,08% desfavorável às mulheres (presente em 91,6% dos perfis avaliados).
• Escolaridade: A qualificação reduz o gap percentual, mas não o elimina (oscilando de 30,9% no nível Superior Completo a 11,7% no Doutorado).
• Tecnologia da Informação (TI): Em TI, o gap bruto é menor (2,1%), mas a presença feminina é extremamente reduzida (21,5% vs. 43,1% do mercado). Entre profissionais de TI com ensino superior ou mais, o gap salarial volta a subir para 9,1%.
• Cargos de Diretoria (Vínculo 80): Analisados à parte em remuneração mensal, apresentam uma sub-representação acentuada (25,2% de mulheres) e um gap mensal mediano de 71,8%.

---

🛠️ Arquitetura e Modelagem

Pipeline de Machine Learning

• Base de Dados: Microdados da RAIS via BigQuery / Base dos Dados (amostra de 0,5% congelada via TABLESAMPLE SYSTEM, cobrindo os anos de 2009 a 2025).
• Variável Alvo: $\ln(\text{salario_hora})$ — reduzindo o skewness de 6,85 para 1,13 e penalizando erros em proporção relativa.
• Modelo Campeão: Random Forest Regressor (120 árvores, max_depth=18, min_samples_leaf=5) incorporado em um Pipeline com ColumnTransformer (StandardScaler + OneHotEncoder).
• Métricas do Modelo no Teste:
  • MAE (log): 0,3498 | MAE (R$): R$ 6,03
  • $R^2$ (log): 0,6803
  • Erro Percentual Mediano: 25,4%

---

📁 Estrutura do Repositório

.
├── index.html                  # Interface web (Equipara) hospedada via GitHub Pages
├── README.md                             # Documentação principal do repositório
└── [branch Analise_de_Dados]
    └── GlassCeiling_vf.ipynb             # Notebook com EDA, modelagem de ML e experimento contrafactual
├── TCC_Grupo2_Documentacao.docx# Documentação técnica detalhada do projeto
├── TCC_Grupo2_Disparidade...pptx# Apresentação executiva de slides
└── README.md                   # Documentação principal do repositório