Bayesian inference for female labour force participation in South Europe

Gender inequality persists in our society under different forms such as unequal opportunity in the labour market. However, female labour participation grew radically in recent years, especially in South Europe. Our goal is to investigate who are the women that have accessed to the labour market using the dataset round 9 (2018) provided by the European Social Survey and concentrating on the data coming from Cyprus, Italy, Spain and Portugal. Since the problem is intersectional, it is important to understand not only which individual characteristics will facilitate or obstruct the entrance in the labour market, but also which linear or multiplicative combinations of these factors might influence labour force participation. Furthermore, it is important to understand if there are country or even region differences. Relying on the Bayesian approach, we have applied the shrinkage priors to select the most important individual determinants for labour force participation and we have fitted hierarchical generalized linear mixed effects models to understand country or region differences. In order to perform statistical inference, we rely on the simulation-based Bayesian approach such as the Markov chain Monte Carlo methods which provide algorithms to sample from a high-dimensional probability distribution. Then we have used the probabilistic programming language Stan for samplings and the R package rstan to analyse the simulations.

La disuguaglianza di genere persiste nella nostra società sotto diverse forme come l'impari opportunità nel mercato del lavoro. Tuttavia, la partecipazione femminile alla forza lavorativa è cresciuta radicalmente negli ultimi anni, specialmente nel Sud Europa. Il nostro obiettivo è di indagare quali caratteristiche abbiano le donne che hanno avuto accesso al mercato del lavoro utilizzando il dataset round 9 (2018) fornito dal European Social Survey e concentrandosi sugli dati provenienti da Cipro, Italia, Spagna e Portogallo. È importante capire non solo quali sono le caratteristiche personali che facilitano o ostacolano l’accesso al mercato del lavoro, ma anche quali combinazioni lineari o moltiplicativi di questi fattori potrebbero influenzare la partecipazione al mercato del lavoro. Inoltre, è importante capire se vi sono differenze tra i paesi o addirittura tra le regioni. Basandosi sull’approccio bayesiano, abbiamo applicato shrinkage priors per selezionare le più importanti caratteristiche individuali per la partecipazione al mercato del lavoro e abbiamo costruito modelli lineari generalizzati con random effects per sottolineare le differenze tra i paesi o le regioni. Per eseguire l’inferenza statistica, utilizziamo l’approccio bayesiano basato sulla simulazione come i metodi della catena di Markov Monte Carlo che forniscono gli algoritmi per il campionamento da distribuzioni di probabilità. Inoltre, usiamo il linguaggio di programmazione probabilistico Stan per il campionamento e il paccetto R rstan per analizzare le simulazioni.