Детальная информация

Объектом исследования являются респонденты социального опроса граждан РФ. Целью выпускной квалификационной работы является выявление взаимосвязей между мягкими навыками и личностными качествами индивида и его заработной платой. В соответствии с логикой исследования первый раздел включает изучение теории и обзора литературы некогнитивного капитала как базы методологии. Второй описывает формирование базы РМЭЗ НИУ ВШЭ, обработку данных, гипотезы, регрессии Минцера и алгоритмы машинного обучения. Третий содержит результаты статистики, OLS-оценок, метрик моделей, SHAP-анализа, обсуждение и рекомендации. Включение soft skills повышает R2 на 3,72 п.п., лучшей признана модель XGBoost (R2=0,46). Максимальную премию дают риск (+1,9% за пункт) и знание языка (+6,9%). Синергия soft skills способна компенсировать отсутствие диплома. Выявлена гендерная инверсия щедрости: низкий альтруизм дает женщинам премию до +8%, мужчинам - штраф в -4%. Результаты применимы в кадровых агентствах и образовательной политике. Для проведения исследования использованы следующие методы: классификация, сравнительная характеристика, обобщение, анализ, синтез, метод наименьших квадратов, ансамблевые методы машинного обучения (XGBoost, Stacking), подход SHAP-значений.

The object of the research is the respondents of the social survey of citizens of the Russian Federation. The purpose of the final qualification work is to identify the relationships between an individuals soft skills and personality traits and their wages. In accordance with the research logic, the first section includes the study of theory and literature review of non-cognitive capital as the methodological framework. The second section describes the formation of the RLMS-HSE database, data processing, hypotheses, Mincer regressions, and machine learning algorithms. The third section contains the results of descriptive statistics, OLS estimates, model metrics, SHAP analysis, discussion, and recommendations. Including soft skills increases R2 by 3.72 p.p., with the XGBoost model recognized as the best (R2=0.46). The maximum premium is provided by risk-taking (+1.9% per point) and language proficiency (+6.9%). The synergy of soft skills can compensate for the lack of a university degree. A gender inversion of generosity was revealed: low altruism gives women a premium of up to +8%, while for men it results in a penalty of -4%. The results are applicable in recruitment agencies and educational policy. The following methods were used to conduct the study: classification, comparative characteristics, generalization, analysis, synthesis, ordinary least squares (OLS), ensemble machine learning methods (XGBoost, Stacking), and the SHAP values approach.