现有的绝大多数研究都使用了Blinder-Oaxaca分解的不必要限制性线性版本来估算无法解释的平均性别薪酬差距。利用瑞士170万名员工的丰富而庞大的数据集，我们研究了这种大数据所带来的方法改进如何影响对无法解释的性别薪酬差距的估计。我们研究了以下方面估计的敏感性:i)观察上可比较的男性和女性的可用性，ii)控制工资决定因素时的模型灵活性，以及iii)不同参数和半参数估计量的选择，包括使用机器学习方法的变量。我们发现这三个因素影响很大。布林德-瓦哈卡估计，当我们加强男女之间的可比性并使用更灵活的工资方程规范时，无法解释的性别工资差距将下降39%。与Blinder-Oaxaca估计值相比，半参数匹配产生的估计值最多要小50%，而且对工资决定因素的包含方式也不那么敏感。