1

 

 

 

 

 

 

 

 

SEARCH ONLINE: EVIDENCE FROM ONLINE JOB BOARDS AND RESUME BANKS*    

BY   

VERA BRENČIČ Department of Economics 

University of Alberta    Abstract:  While online job boards and resume banks have drastically improved access to information about available jobs and job searchers, the sheer number of postings (job ads, CVs) and the amount of available information about the postings on these sites suggests that the processing of information (e.g., a review of a posting, a comparison across the postings) is likely to be complex.  The analysis of a novel dataset reveals that employers and job searchers prefer to visit online resume banks and job boards that store more postings.  However, once on the site, the number of postings that an average visitor reviews is not affected by the number of postings on the site and represents a very small fraction of available postings.  These findings suggest that the costs of information processing limit the employers’ and job searchers’ acquisition of information online even when information is available at little cost.  Keywords: employment websites, search, information‐processing JEL‐Codes: D0, J2, J6 

* This version: April 2012. Initial title: “How do online job boards and resume banks mitigate search?” 

2

I. INTRODUCTION 

The employers’ and job searchers’ use of the Internet when searching is not negligible and has ‐ 

according to some measures ‐ increased over the years.1  However, empirical evidence to date is 

inconclusive with regards to the effectiveness of search for jobs and workers online.  Whereas Bagues 

and Labini (2009), Stevenson (2009), and Kuhn and Mansour (2011) find that those who used the 

Internet in their search experienced better outcomes in the labor market compared to those who did 

not, Hadass (2004), Kuhn and Skuterud (2004), and Kroft and Pope (2010) do not find any beneficial 

effects of search online.  The underlying reasons for these findings are not understood well.   

In this paper, we examine employers’ and job searchers’ use of websites that host job boards 

and resume banks.  Employers turn to online job boards to advertise their job vacancies.  Job searchers 

submit their resumes to online resume banks.  These sites offer tools that improve the ease and speed 

with which suitable matches can be identified and contacts between job searchers and employers can 

be initiated.  In this regard, the online job boards and resume banks are in the business of making 

information about available job openings and job searchers accessible with relative ease and little cost.  

Hence, their potential to improve the workings of the labor market is considerable; the sites can shorten 

the time that it takes to end search and improve the quality of the match (Autor, 2001).    

  While these websites have drastically reduced the costs of information acquisition, the sheer 

number of postings on these sites suggests that the processing of information (a review of a posting, a 

comparison of attributes across the postings) is likely to be complex and costly.2  We use a novel dataset 

1 As part of the Telecommunications Act of 1996, the US Federal Communications Commission was directed by Congress to facilitate timely deployment of advanced telecommunications capabilities which include high‐speed Internet access (www.fcc.gov).  In the US, 14% of unemployed and 7% of employed workers searched for jobs online in 1998.  In 2003, the percentage was up at 38% and 14%, respectively (Stevenson, 2009).  According to the Global 500 Survey the percentage of surveyed companies with their own career website rose from 29% in 1998 to 94% in 2003 (iLogos, 2003).  Hadass (2004) and Kroft and Pope (2010) document a shift on the part of employers away from placing help‐wanted ads in newspapers and towards advertising them online.         2 In February 2012, the number of unduplicated job ads at over 1,000 different online job sites was estimated at close to 4.5 million (http://www.conference‐board.org/data/helpwantedonline.cfm).  A typical description of a job posting on Monster.com consists of 2,553 characters or is about one page long (Brenčič and Norris, 2012). 

3

in order to assess whether complexity of decision‐making implied by the vast amount of information 

that is available on these websites affects the acquisition of information online.  Specifically, we examine 

whether the number of postings on a site ‐ our measure of the costs of information processing (Payne, 

1982; Conlisk, 1996) ‐ correlates with: a) the site’s ability to attract job searchers and employers to its 

site, and b) the job searchers’ and employers’ acquisition of information once on the site.   

The analysis of the data reveals two insights.  First, an average site attracted 521,461 visitors in a 

typical month.  Online sites that hosted additional ten job openings and ten resumes, respectively, 

attracted 43 and 4 additional visitors to their sites; i.e., employers and job searchers preferred access to 

more ‐ rather than fewer ‐ postings.  Second, whereas the number of CVs and job postings hosted by an 

average site was 530,743 and 42,063, respectively, an average visitor reviewed only 14 postings.  The 

number of postings that a typical visitor reviewed was not affected by the number of available postings 

on the site.  That is, the number of postings hosted by a site affected the employers’ and job searchers’ 

decision to visit the site but not the intensive margin of their search once on the site.3   

We considered several robustness checks.  In order to instrument for the number of postings on 

an online site, we exploited variation across states and time in the adoption of laws that govern data 

privacy and security.  We conjectured that websites with headquarters in a state with a more stringent 

legislation were more successful in attracting postings because they provided better data security and 

privacy.  We also matched to each website the prevalence of facebook accounts and online blogging in 

the state in which a website had its headquarters if the site served a local market.4  We used the 

prevalence of facebook accounts and blogging as measures of propensity to post information on the 

Internet.  The findings are robust to our reliance on these instruments and website‐level fixed effects.  

With its focus on complexity in decision‐making, a study by Salant (2011) offers a framework for 

the interpretation of these findings.  Salant points out that, given that utility maximizer must examine all 

3 While 58% of the sites charged a fixed fee for access to a CV bank, none of the sites charged per page view.     4 National data on facebook penetration and blogging were assigned to sites that catered to the entire US market. 

4

postings from the list of postings, the costs of processing of information (a review of attributes of each 

posting, a comparison of attributes across the postings) are large when the number of available postings 

is large.  According to Salant, a decision‐maker opts to review a fraction of available postings (i.e., 

postings at the top of the list) in order to economize on these costs.5  Thus, if the processing of 

information is costly then ‐ consistent with our evidence ‐ a visitor to an online job board or a resume 

bank reviews a small fraction of available postings even when access to the postings entails little cost. 

Two additional remarks are relevant.  First, given that the adjustment in decision‐making 

proposed by Salant (2011) limits the acquisition of information, Salant’s framework coupled with our 

evidence offers one explanation ‐ the costs of information processing ‐ for inconclusive evidence in the 

literature on the effectiveness of search online.  Second, these results are informative about online job 

boards and resume banks as intermediaries in the labor market; specifically, regarding their role of 

dissemination of information.  With the rapid proliferation of the Internet access across households and 

businesses in the US (Greenstein and Prince, 2008), the reliance on online job boards and resume banks 

by participants in the labor market is not negligible.6  Despite of their wide use, empirical studies of 

employment‐related websites are scant (Bagues and Labini, 2009; Kroft and Pope, 2010).7   

Ours is not the first study on decision‐making in the presence of a large number of alternatives.  

The existing studies from different strands of psychology literature have thus far documented that 

decision‐makers: prefer to choose from a set with fewer alternatives (Iyengar and Leeper, 2000), 

consider fewer alternatives and a smaller fraction of available information about each alternative as the 

number of alternatives and available information increase (Hauser and Wernerfelt, 1990; Timmermans, 

5 Conlisk (1996) reviews the literature on “deliberation costs.”  The main contribution of Salant (2011) is to show that optimal decision‐making results in order effects when alternatives are presented in the form of the list. 6 According to the survey by the Pew Institute, 78% of adult Americans used the Internet in 2011; 56% of them used job sites to search for information about jobs.  On the basis of an online survey in 2007, Nakamura et al. (2009) report that over 80% of respondents used employment‐related sites; about half of them looked at job postings and one third posted their CVs on the sites.   7 Bagues and Labini (2009) and Kroft and Pope (2010) examine labor market effects of the introduction of one employment website; Almalaurea in Italy and craigslist.com in the US, respectively. 

5

1993), use simpler decision rules (Payne, 1982; Timmermans, 1993; Iyengar and Kamenica, 2011), make 

suboptimal decisions (Payne et al., 1988; Besedeš et al., 2011) and are less likely to choose from 

available alternatives (Iyengar and Leeper, 2000) when the number of alternatives is large.8  These 

studies have relied to a large extent on laboratory experiments and field surveys. 

Given that search on employment websites is not only characterized by a large number of 

postings but also the fact these postings are presented in the form of the list, our findings relate to the 

empirical literature on the role of the order in which alternatives are presented in decision making.  

Unlike our analysis, these studies do not to focus on complexity; i.e., the number of alternatives in these 

studies is fixed.9  Also related are studies that document that users of search engines rarely consider 

links beyond the first page of search hits.  In this regard, our evidence on search on employment‐related 

websites corroborates findings that regard the use of online search engines.10  

The remainder of the paper is organized as follows.  In Section II, we review a theoretical 

framework that we use in our analysis of the results.  In Section III, we describe the data and descriptive 

statistics.  We discuss our empirical strategy and results in Sections IV and V.  Section VI concludes. 

 

II. THEORETICAL FRAMEWORK 

  Online job boards and resume banks are in the business of facilitating search by participants in 

the labor market by making information about available jobs and job searchers accessible with relative 

ease and little cost.  Two attributes characterize search on these websites: a) online job boards and 

resume banks host, on average, several thousand postings and b) these postings tend to be presented in 

the form of the list.  Two strands of the literature can help us to understand how one goes about 

8 For a review of this literature, see Conlisk (1996), DellaVigna (2009), Kamenica (2011), and Camerer (2012).   9 Meredith and Salant (2011) and Miller and Krosnick (1998) provide evidence for elections.  Several studies document that judges award higher scores later in competitions (Bruine, 2005; Wilson, 1977; Glejser at al., 2001).  Hogarth and Einhorn (1992, pages 42‐47) review experimental evidence on complexity and order effects. 10 Jansen and Pooch (2001) and Bucklin et al. (2009) provide a review.  See also Häubl and Trufts (2000) and Johnson et al. (2004). 

6

searching through thousands of different postings on these sites: the literature on the role of complexity 

and the literature on the role of the order in which alternatives are presented in decision making.    

  Several strands in psychology literature examine complexity and decision making.11  The existing 

evidence suggests that decision makers prefer to choose from a set with fewer alternatives (Iyengar and 

Leeper, 2000), consider fewer alternatives and a smaller fraction of available information when the 

number of available alternatives and information about the alternatives is large (Hauser and Wernerfelt, 

1990; Timmermans, 1993), use simpler decision rules (Payne, 1982; Biggs et al., 1985; Timmermans, 

1993; Iyengar and Kamenica, 2010), make worse decisions (Payne et al., 1988; Besedeš et al., 2011) and 

are less likely to choose from available alternatives (Iyengar and Leeper, 2000) when the number of 

alternatives is large.  While these findings have been attributed to the costs of information processing 

(Payne, 1982; Conlisk, 1996), this literature abstracts from the order in which alternatives are presented.  

  In contrast, the distinguishing feature of the literature on the choice from lists is their focus on 

the order in which alternatives appear on the list.12  These studies examine conditions that ensure the 

recovery of preferences from observed choices (Salant, 2003; Rubinstein and Salant, 2006; Salant and 

Rubinstein, 2008), search strategies that require details beyond those provided in our data (Caplin and 

Dean, 2011; Manzini and Mariotti, 2007), or search strategies which are not representative of search on 

employment websites (Masatlioglu and Nakajima, 2010; Papi 2010).  Caplin and Dean examine how 

provisional choice changes during search.  In Manzini and Mariotti, choice is determined by a sequential 

application of criteria.  Masatlioglu and Nakajima examine decision‐making with a dynamically 

expanding set of alternatives, while Papi considers a sequential discovery of sets of alternatives.  

A study by Salant (2011) bridges these two strands of the literature by focusing on complexity in 

the model of choice from lists.  Salant considers a decision maker who reviews alternatives from an 

11 A study by Simon (1955) is often cited as one of the early contributions.  Conlisk (1996), Anderson (2003, pages 155‐156), Botti and Iyengar (2006), Kamenica (2011), and Camerer (2012) provide a review of this literature.   12 Also relevant is the literature on the effects of graphical display of information on decision‐making (Remus, 1987; Jarvenpaa, 1989).  For a review, see Kelton et al. (2010). 

7

externally generated list, one at a time, and incurs costs on account of cognitive resources that are 

needed to process new information.  Salant points out that when the number of alternatives is large, 

utility maximization is cognitively demanding because it requires a review of almost the entire list.  The 

decision maker optimally economizes on these deliberation costs by replacing utility maximization with 

an approximation that requires consideration of fewer alternatives.  Salant shows that any choice rule 

that is procedurally simpler (i.e., requires consideration of fewer alternatives) than utility maximization 

displays order effect.  These order effects correspond to the primacy effects and mild recency effects; 

i.e., alternatives at the top and the bottom of the list are most likely to be chosen, respectively. 

Salant (2011)’s framework is informative about search on employment websites where postings 

are presented in the form of a list, access to the postings is cheap and easy, and the costs of information 

processing are large due to a large number of available postings that differ along a variety of attributes.  

Specifically, according to Salant: a) visitors to online job boards and resume banks review only a fraction 

of available postings and b) the number of available postings determines the number of reviewed 

postings; i.e., the intensive margin of search.  These predictions can be examined with our data.  

Moreover, according to Salant, the presence of a large number of alternatives limits the acquisition of 

information when the costs of information processing matter.  To the extent that our analysis confirms 

that the number of available alternatives affects the acquisition of information online, Salant’s insights 

offer one explanation for the inconclusive evidence on the effectiveness of search online. 

Whereas Salant’s (2011) framework offers predictions regarding the extent of acquisition of 

information on online job boards or in online resume banks, it has nothing to say about the employers’ 

and job searchers’ decision regarding which website to visit.  At least two explanations can account for 

why the number of postings on a website might affect the decision to visit the website.  Given that these 

websites serve as platforms that facilitate interactions between two sides of the market, the literature 

on two‐sided markets is relevant (e.g., Rochet and Tirole, 2006).  The defining feature of a two‐sided 

8

market is the presence of network effects; i.e., employers and job searchers prefer to visit online sites 

that host a larger number of postings because opportunities for interactions on these websites are 

better.13  However, if job searchers and employers correctly assess the cognitive resources that must be 

expanded in order to review the postings, then they might prefer sites that host fewer postings.   

 

III. DESCRIPTION OF DATA 

In our analysis, we use data from the Weddle’s Guides to Employment Web Sites.  The data 

cover the period from 2002 to 2011.  Each year, employment‐related websites were evaluated and 350 

sites were selected that best represented the capabilities that one could find online.  Since 2005, the 

guides have been issued biennially.  In the most recent 2009 and 2011 surveys, only the 100 most 

popular online sites were reviewed.  About 40% of the websites that were surveyed changed each year 

to reflect new sites, sites that have discontinued operation, and sites that have improved their 

capabilities in an important way.14  The sites that were selected were sent a questionnaire about a 

variety of attributes that we report in Table 1.  Some attributes were reported in only some surveys.  

<Insert Tables 1 and 2> 

  Online traffic:  We observe two measures of online traffic that the employment websites 

attracted.  First, we observe the number of visitors to an online site in a typical month.  Second, we 

observe the number of page views per visitor in a typical month.15  Neither of the two measures reveals 

which side obtained information about a potential match but simply that the information was obtained; 

i.e., a job searcher reviewed the content of a job ad or a recruiter reviewed a resume.   

13 Models of two‐sided markets typically assume non‐rivalry (Rochet and Tirole, 2006, page 653); i.e., the volume of transactions is proportional to the number of participants on the opposite side.  This assumption is sensible in our setting; i.e., a review of a CV by an employer does not preclude another employer from viewing that same CV. 14 Attrition is not an absorbing state in the data. 15 In two surveys (2005/2006 and 2007/2008), page views were reported per unique visitor rather than per visitor.  Results from the Kolmogorov‐Smirnov test suggest no differences in the distribution of these two measures.  The results remain qualitatively the same when we analyze separately these two groups of observations. 

9

In the sample, an average online site hosted 521,461 visitors in a typical month and attracted 14 

page views per visitor (Table 1).16  The number of visitors to an average online site increased steadily 

over the years, with an exception of 2004 (Table 2).  By 2011, the average number of visitors in a typical 

month had increased to 2.4 million or by about ninefold compared to 2002.  During the same period, the 

number of page views per visitor at an average online site in a typical month declined from 12.3 to 9.7.  

Virtually no website reported hosting more than 100 page views per visitor.  

Three remarks are relevant.  First, rather than to view jobs or resumes, job searchers and 

employers might visit an online site to read the career or recruiting advice that many sites offer (for 

evidence, see Nakamura et al., 2009).  In our empirical analysis, we control for additional services that 

were offered by online sites in order to assess which service attracted the most online traffic.  Second, 

job searchers who view a job posting might decide not to apply for a job.  Employers who view a resume 

might decide not to contact the job searcher to schedule an interview or extend a job offer.  Therefore, 

our analysis has nothing to say about whether the initial contacts between job searchers and employers 

(online visits or page views) turned into job applications, interviews, job offers, or employment.   

Third, measurement error is possible.  Two insights are relevant.  First, instead of using data on 

the number page views per visitor in a typical month for websites that were surveyed by Weddle in 

2011, we collected data on the number of unique page views per visitor in a day reported by alexa.com 

for the same websites.  The results with this alternative measure are qualitatively similar.  Second, for 

the surveys that were conducted in 2000 and 2001, we observe whether or not the data were audited.  

When such audits were used (in 72% of the cases), websites reported, on average, 120,559 additional 

visitors and 3.5 additional page views per visitor compared to when the audits were not used.   

The size of the job and resume stocks:  The average number of job postings on a job board in our 

sample is 42,063, while the average number of resumes is 530,743 (Table 1).  Both the average number 

16 The average number of page views per visitor in 2011 was 12 for the search engine google.com, 19 for the auction site ebay.com, and 7 for the travel website orbitz.com (alexa.com). 

10

of resumes and the average number of job postings increased from 2002 to 2011 by, respectively, 11 

and 16 times (Table 2).17  However, about 3.5% of online sites in our sample stored job postings online 

indefinitely, while 36% of the websites in our sample stored resumes online indefinitely.     

To assess the size of the measurement error, one could compare data on the size of job boards 

from the Weddle’s Guides to an average in the sample of over 1,000 boards that are reviewed by the 

Conference Board.  However, because many more sites are surveyed, the average size of the job board 

surveyed by the Conference Board is much smaller than in our sample of 350 job sites.  On the basis of 

the Weddle’s surveys in 2000 and 2001, we do not find any statistically significant difference in terms of 

the number of reported resumes between online sites that used an audit and the sites that did not.18   

We use the number of postings hosted by a site as a measure of complexity of decision‐making 

process.  We conjecture that the employers’ and job searchers’ decision‐making is more complex on 

online sites that host a larger number of job openings and resumes.  This measure is consistent with the 

measures of complexity in the literature.  For example, in his review of the literature on the processing 

of information in decision‐making, Payne (1982, page 386) proposes as measures of complexity the 

number of alternatives in the choice set, the number of dimensions of information used to define an 

alternative, and the time available for making a decision (see also Conlisk, 1996).19     

Controls:  We observe the year that an online site first appeared online and at most five 

prevalent types of postings (e.g., occupation type, industry type, career type).  We also observe 

whether: a job posting could be linked to a recruiter’s website; a website’s postings were specific to a 

particular state in the US, the entire US, or another country; a website offered career and recruiting 

17 In the 2002 and 2003 surveys, we impute the size of the job stock from information about the number of visitors and number of visitors per job posting.  Results are not affected if we drop these observations from the sample. 18 Data on job postings were not available in the surveys that were conducted in 2000 and 2001.  For this reason, the two surveys were not used further in our analysis. 19 According to Payne et al. (1988, page 535), decision‐making entails, for example, reading the description of an alternative, comparing alternatives on the basis of an attribute, adding the values of attributes, eliminating an alternative from consideration, and choosing the preferred alternative.    

11

advice that could help job searchers and employers to take a better advantage of the Internet.  Finally, 

we control for whether or not a website received the User’s Choice Award.  The award was awarded 

annually to websites on the basis of online votes that were submitted to weddle.com by users. 

 

IV. EMPIRICAL APPROACH 

  We want to assess whether the number of available alternatives affects the acquisition of 

information on online job boards and resume banks.  Next, we review issues that complicate our task of 

uncovering this relationship and approaches that we took to address them.  These approaches span 

three areas: treatment of unobserved factors, measurement of key variables, and sample design.  

  Unobservables:  We must account for factors that are correlated with two key variables; the 

number of postings and the acquisition of information.  One such factor is reputation for postings of 

high‐quality which is expected to attract more employers and job searchers both in order to review the 

postings on the site and to submit their own postings.  If unaccounted, this factor would cause our 

estimates to under‐state the effect of deliberation costs on the acquisition of information online.20  One 

approach is to include a control such as the receipt of the User’s Choice Award.  One can account (as we 

do) for time‐invariant unobservables by including website‐level fixed effects.  Another approach is to 

identify an instrument; a variable that is correlated with the number of postings on a website but does 

not affect online traffic on the website other than through its effect on the number of postings.   

  We propose several instruments by exploiting information about the state in which the sites’ 

headquarters were located.  The first two instruments exploit the variation in time and across states in 

the adoption of state legislation that governs security and privacy regarding personally identifying 

20 Alternatively, online sites that have trouble attracting visitors might want to keep postings online indefinitely thereby increasing the size of the job boards and resume banks and hence the gains of visiting their sites.  In such instances, our estimates are expected to over‐state the effect of the costs of information processing (i.e., the number of postings) on the acquisition of information online.  This concern motivates our construction of an alternative sample that does not include websites that store postings online indefinitely. 

12

information (PII).  The states started adopting these laws in early 2000s.21  The first such law governs the 

disposal of data that contain PII once the data become obsolete.  By 2011, 29 states have adopted the 

law.  The law was adopted by 2 states in 2002, 1 state in 2003, 2 states in 2004, 5 states in 2005, 7 states 

in 2006, 4 states in 2007, 2 states in 2008, 4 states in 2009, and 2 states in 2010.   

The second law pertains to the security breach notification law that requires that the owners of 

PII notify relevant individuals of any unauthorized access and use of their PII (Russom et al., 2011).  By 

the end of 2011, 46 states and the District of Columbia have adopted the law.  The law was adopted by 1 

state in 2003, 11 states in 2005, 14 states in 2006, 9 states in 2007, 6 states in 2008, 5 states in 2009, 

and 1 in 2011.  Both instruments are time‐varying; dummy variables identify whether or not a particular 

law was in effect for each year and each state.  The laws across and within states differ in their definition 

of PII (Russom et al., 2011).  Hence, we also use as an instrument a count measure of how broadly PII is 

defined by each law; e.g., whether the PII includes email address, employment information, etc.22  

We expect that websites with headquarters in states that have stricter laws that govern 

protection of information are more successful in attracting postings to their sites.  That is, job searchers 

and employers may be more forthcoming in terms of posting their information on the websites with 

headquarters in states with laws that provide better data security and better protection of privacy.  We 

do not expect these laws to affect the number of visitors to the sites through channels other than the 

number of postings.  That is, by setting higher standards of data protection, these laws protect those 

who post information online rather than those who access or review information online.   

In order for these instruments to be valid, Internet users must be concerned about data security 

and the laws must have bite.  In this regard, two insights are relevant.  First, according to the surveys 

21 See the Appendix for the location of the websites’ headquarters and a review of the timing of adoption.    22 PII may pertain to address, biometric data, signature, DNA, driver license number or other state identification number, social security number, financial account or credit/debit card number, employment information, email address, fingerprints, health insurance information, medical information, mother’s maiden name, passwords, payment/overdraft history, physical description, record of purchase, routing code, voice print, and web history.

13

conducted by the Ponemon Institute: 50% of the surveyed companies in the US report that compliance 

with regulations is the main reason for data protection efforts by senior management; the average 

budget for compliance with data security laws was $3.4 million in 2009; the average cost of data breach 

was $6.7 million in 2010; and there were fewer data security breaches in organizations that complied 

with regulations.23  However, in their review of legislation on data security (e.g., data disposal laws) and 

data privacy (e.g., data security breach notification laws), Russom et al. (2011) note that these laws are 

unclear about what must be protected and offer little guidance about the required actions.24   

Second, according to the surveys by the Pew Institute in 2005, 89% of Internet users considered 

unauthorized access to email a serious problem and 90% changed their behavior online because they 

were concerned about security.  In 2001, 62% of respondents thought that new laws needed to be 

introduced to ensure online data security and privacy.  These statistics suggest that Internet users are 

concerned about data security and privacy on the Internet, change their online activities in response to 

these concerns, and consider legislation as a possible tool that can address these concerns.  

An alternative set of instruments is intended to measure employers’ and job searchers’ 

propensity to post information online.  The first measure is state‐level penetration rate of facebook 

accounts for adults (insidefacebook.com).  We assigned to each observation the value for the state in 

which the site’s headquarters were located as long as the site served a local market.  In all other cases, 

national data on penetration rate were assigned.  We also considered an alternative assignment 

whereby all sites were assigned the data from the state of the sites’ headquarters.  We used data for 

2004, the year when facebook.com was officially launched.  This instrument is therefore time‐invariant.   

23 These studies survey fewer than 100 organizations.  An industry report like Merrill (2011, page 8) suggests that laws are treated as one source of costs associated with data storage.  Also relevant are studies on the effects of privacy laws regarding health information on the hospitals’ adoption of IT (Miller and Tucker, 2011). 24 For example, laws typically only mandate that reasonable steps be taken to ensure data security and privacy.  In addition, an owner of the data must comply with the law of the state where the owner’s headquarters are located.  However, some state laws apply to businesses outside the state if a non‐negligible fraction of their transactions involves residents of that state.  Our data do not reveal residential status of those who posted CVs and jobs online. 

14

The second measure relies on the surveys conducted by the Pew Research Centre.  For each 

year we constructed state‐level data on the fraction of survey respondents who said that they worked 

on their own online blog.  We assigned to each observation a sample fraction for respondents who 

resided in the state in which the site’s headquarters were located if the site served a local market.  In all 

other cases, the average for the entire sample was assigned.  We conjecture that job searchers and 

employers are more likely to post information on job boards and in resume banks in states where a 

larger fraction of population has a facebook account or posts information on their own online blogs. 

It is possible that the states whose residents and businesses are more actively using the Internet 

(in part measured by our dependent variables) are more likely to be the same states that have adopted 

the laws that ensure data security and privacy online.  Similarly, the states whose residents are more 

active bloggers are more likely to be the states whose residents also search more actively online.  If that 

is the case, we would expect that the instruments are correlated directly with our dependent variables.  

The analysis of the data suggests that none of the instruments is statistically significantly correlated with 

the two measures of online search after we control for the number of postings.     

  Measurement:  Our baseline specification includes a simple measure of the number of resumes 

and the number of job openings that were hosted by resume banks and job boards, respectively.  In an 

alternative specification, we included dummy variables that differentiate between online sites that host 

a different number of postings.  We also allowed for a change in the number of postings to have a 

different effect on our measures of online search across online sites that differ in size.  This alternative 

specification allows for a more flexible (non‐linear and non‐monotonic) relationship.  

  Some online sites might exaggerate their online traffic and the number of postings that they 

host.  If unaccounted, this error can over‐state the magnitude of the link between the number of 

postings and the number of visitors and pages views per visitor.  Therefore, it is expected that our 

estimates under‐state the effect of the costs of information processing on the acquisition of information 

15

on online job boards and resume banks.  Some visits and page views on an online site might pertain to 

the acquisition of career advice rather than the information about the postings.  Given that we control 

for these additional services that some online sites offer, our estimates should not be affected. 

  Sample design: 25 We considered several different ways of constructing the sample.  Because the 

measurement of the location of the websites’ headquarters (critical to our construction of instruments) 

differs across the surveys, we dropped data from the first two surveys.  In these two surveys, the 

location was inferred indirectly from the area code of the phone number that was provided as a contact.  

We considered excluding data from the most recent two surveys because they include only 100 websites 

rather than 350 websites.  We considered dropping observations if the values for the number of 

postings and online traffic fell in the bottom or the top 5% of values in the sample.  Finally, we 

considered restricting the sample by dropping websites that kept their postings online indefinitely. 

 

V. RESULTS 

Dissemination of information online 

The dependent variable measures the number of visitors to a site i during a typical month in 

year t.  We report separately results with and without control variables (columns 1 and 2 in Table 3).  

Standard errors are heteroskedasticity‐robust and are clustered at the level of a website.   

                                  ititit2it10it uaXCVs#α postingsjob#ααvisitors # ++++=                                     (1) 

<Insert Tables 3 through 6> 

We find that, controlling for the size of a resume bank, an online site that hosted 10 more job 

openings attracted, on average, 44 more visitors in a typical month (column 1 in Table 3).  Controlling for 

the size of a job board, an online site that hosted 10 more resumes attracted, on average, 4 more 

25 The way that the websites were selected suggests that a more successful website was more likely to be included in the survey.  Online sites that hosted a larger number of postings when they were first observed in our sample tended to be represented more frequently in our sample.  This estimate is insignificant once we add controls.   

16

visitors in a typical month.  The magnitude of the estimates and their statistical significance did not 

change when we included control variables (column 2 in Table 3).  The estimates are also robust to 

specification that accounts for time‐invariant website‐level unobservables.   

Results for the first specification in Table 4 (columns 1 and 2) rely on instruments that identify 

whether the data disposal law was in effect together with the coverage of the law (type of data that the 

law covered) in the state of the websites’ headquarters.  The first‐stage results suggest that online sites 

with headquarters in a state with a data disposal law in a particular year were more successful in 

attracting postings that year.  In contrast, sites in states with laws that had broader data coverage were 

less successful in attracting the postings.  Results from the second‐stage suggest a positive link between 

the size of the resume bank and the number of visitors to a site.  The estimate is of a larger magnitude 

than the OLS estimate.  The coefficient for the size of the job board is statistically insignificant. 

The first‐stage results for the number of job postings are similar when we used laws that govern 

security breach notification requirement as instruments for the number of postings hosted by online 

websites.  These laws are not significantly related to the number of resume postings.  Using these new 

instruments, all four estimates in the second‐stage are statistically significant.  The estimates of the link 

between the number of resumes and the number of visitors are of a similar magnitude than the OLS 

estimates.  The estimates for the job postings suggest that online sites that hosted 10 additional job 

postings attracted about 100 additional visitors to their sites.  The OLS estimate suggests an increase in 

the number of visitors by 44 for every additional 10 job openings that were posted on the site. 

Next, we turn to instruments that measure employers’ and job searchers’ propensity to post 

information online (Table 5, columns 1 and 2).  Results from the first stage suggest that sites in states 

with a higher facebook penetration rate attracted a larger number of resumes.  The results from the 

second stage suggest a positive link between the number of postings hosted by a site and the number of 

visitors to the site.  However, statistical significance of the second‐stage estimates depends on the 

17

inclusion of controls.  In the case of an instrument for propensity to blog online, statistical significance in 

the first stage depends on controls.  Without controls, websites attracted more CVs and job postings 

when blogging was more prevalent.  Only the estimate for CV postings is significant in the second stage. 

When we considered a more detailed measure of the size of the resume bank and the size of a 

job board (columns 1 through 3 in Table 6), we found that an increase in the number of postings on a 

job board or a resume bank attracted more visitors to the site as long as the site hosted a sufficiently 

large number of postings.  For example, an increase in the number of job postings hosted by a site only 

attracted more visitors if the site hosted more than 5,000 job postings.  Similarly, an increase in the 

number of CVs hosted by a site attracted more visitors only if the site hosted more than 100,000 CVs.26 

These results are robust to our construction of the sample; i.e., when we dropped websites that 

kept postings online indefinitely or websites from the first two or the last two surveys due to, 

respectively, a change in the measurement of the location of headquarters and sample design.  When 

we dropped websites with extreme values (i.e., websites that fall in either the bottom or the top 5% of 

the sample on the basis of either the number of postings that the websites host or the online traffic that 

they attract), the first stage and the second stage results with instruments that identify the prevalence 

of facebook accounts and online blogging improved in terms of statistical significance. 

Of the control variables that were included in the specification, two were found to be correlated 

with the online sites’ ability to attract employers and job searchers to their sites.  The online sites that 

were activated prior to 2000 attracted, on average, 169,770 more visitors in a typical month than online 

sites that were activated after 2000.  The online sites that received the User’s Choice award attracted, 

on average, 619,083 more visitors in a typical month than sites that did not receive the award.  

Importantly, whether or not an online site offered career advice did not affect traffic on the site.  It 

seems that employers and job searchers visited the sites primarily to review the postings. 

26 27% of job boards hosted between 5,000 and 100,000 jobs; 25% of CV banks hosted more than 100,000 CVs. 

18

Overall, these results offer two insights.  The results are informative about the extent to which 

the online sites mitigate search frictions by disseminating available information about the existence of 

profitable employment matches ‐ one input needed for a match to occur (Shi, 2006) ‐ among 

participants in the labor market.27  The results are also informative about the network effects from the 

literature on two‐sided markets; the magnitude of the gains of joining a platform (visiting an online site) 

on account of a larger number of participants on the platform (the number of postings on the site).       

 

Page views per visitor and the size of the list 

In this section, we examine the extent of information acquisition on employment websites.  The 

dependent variable measures the number of page views per visitor to a site i during a typical month in 

year t.  The main explanatory variable of interest identifies the number of postings hosted by an online 

site.  We report baseline results with and without control variables in columns 3 and 4 in Table 3, 

respectively.  Standard errors are heteroskedasticity‐robust and are clustered at the level of a website.   

                             ititit2it10it ubXCVs#β postingsjob#ββvisitor  perviews page ++++=                     (2) 

An average visitor to an online site viewed the same number of pages regardless of the number 

of job postings that were available for review online.  A visitor to an online site reviewed one additional 

page for every 100,000 additional resumes stored in the resume bank.  This last estimate is statistically 

insignificant once we control for website fixed‐effects (columns 3 and 4 in the bottom panel in Table 3) 

or instrument for the number of postings on an online site (columns 3 and 4 in Tables 4 and 5).   

Nevertheless, differences were detected when we used a more detailed measure of the size of 

the job board and resume bank (columns 4 through 6 in Table 6).  For example, a visitor to a job board 

that hosted between 100 and 250 (5,000 and 100,000) job postings viewed about 17 (15) additional 

27 Eriksson and Largerstrom (2005) report that 8,043 job searchers whose resumes were available on the Swedish online site received 7,179 contacts with 34% receiving at least one contact.  In an average day, Berman (1997) reports that Israeli employment agency made 710 referrals and had 685 job vacancies.  The average circulation of the 130 largest newspapers in the US is 195,893 according to mondotimes.com (accessed on April 4, 2012). 

19

pages than a visitor who visited a job board that hosted fewer than 50 job postings.  Some of these 

differences became statistically insignificant when we added website fixed effects.  It seems that visitors 

to an online site viewed more pages on sites that hosted more resume postings as long as the site 

hosted a sufficiently large number of resume postings; e.g., an increase in the number resumes hosted 

by a site attracted more page views per visitor only if the site hosted more than 100,000 resumes. 

The first stage and the second stage results with instruments that identify the prevalence of 

facebook accounts improved in terms of statistical significance when we dropped observations with 

extreme values; i.e., websites that fell in either the bottom or the top 5% of the sample on the basis of 

either the number of postings that the websites hosted or the online traffic that they attracted.  

Specifically, when facebook accounts are used as an instrument for the number of postings, we find that 

for every 1,000 additional job postings on a website, an average visitor reviews one additional posting. 

Two comments are relevant with regards to these results.  First, on their own, the results can be 

interpreted in light of the framework provided by Salant (2011) who showed that when the number of 

alternatives is large, utility maximization is cognitively demanding.  In such a setting, the decision maker 

optimally economizes on cognitive costs (costs that are required to assess each alternative and compare 

it to other alternatives) by replacing utility maximization with an approximation that requires a 

consideration of fewer alternatives.  This insight is consistent with our findings that an average visitor to 

an online site reviews: a) only a small fraction of postings that are available for review on the site and b) 

a similar number of postings regardless of the number of available postings. 

Second, the results in this and the preceding sections suggest that while employers and job 

searchers prefer online sites that host a larger number of postings, their intensive margin of search once 

on the sites is not affected by the number of available postings on the sites.  Several explanations could 

account for this finding.  First, larger online sites might have postings of higher quality.  Hence, once on 

the site, order effects are more pronounced because a satisfactory posting can be identified quicker.  

20

This explanation is valid, for example, if employers and job searchers replace utility maximization with 

satisfycing.  Second, searchers may overstate their ability to deal with complexity; i.e., the cognitive 

resources that must be expanded to review the postings.  Such searchers prefer to visit sites that host 

more postings, but do not exploit access to a larger number of postings once on the sites. 

 

VI. CONCLUDING REMARKS 

Whereas online job boards and resume banks have drastically improved access to information 

about available jobs and job searchers, the sheer number of postings (CVs, job openings) on these sites 

suggests that the processing of information (a review of attributes, a comparison of attributes across the 

postings) is likely to be complex and costly.  In this paper, we sought to identify whether and how 

complexity of decision‐making implied by the vast amount of information available on these websites 

affects employers’ and job searchers’ acquisition of information on these sites.  In our analysis, we relied 

on a dataset of online sites that host job boards and resume banks for the period from 2002 to 2011.   

The analysis of the data revealed that employers and job searchers preferred to visit an online 

site that hosted a larger number of postings but ‐ once on the site ‐ reviewed only a small fraction of 

postings that were available on the site.  In addition, the number of page views per visitor did not vary 

with the number of postings hosted by the sites.  These findings suggest that the costs of information 

processing may prevent employers and job searchers from fully exploiting the benefits that the Internet 

has to offer; easy and cheap access to up‐to‐date information about thousands of available jobs and job 

searchers.  In this regard, the findings in this paper offer one explanation ‐ the costs of information 

processing ‐ for inconclusive evidence in the literature on the effectiveness of search online.   

 

21

REFERENCES  

Anderson, C.J. (2003) “The psychology of doing nothing: Forms of decision avoidance result from reason  and emotion,” Psychological Bulletin 129(1), 139‐167. 

 

Autor, D.H. (2001) “Wiring the labor market,” Journal of Economic Perspectives 15(1), 25‐40.   

Bagues, M.F., and M.S. Labini (2009) “Do on‐line labor market intermediaries matter? The impact of  Almalaurea on the university‐to‐work transition.” In: Autor D (Ed), Labor Market Intermediation, Chicago Press. 

 

Berman, E. (1997) “Help wanted, job needed: Estimates of a matching function from employment  service data,” Journal of Labor Economics 15(1‐2), S251‐S292. 

 

Besedeš, T., C. Deck, S. Sarangi, and M. Shor (2011) “Age effects and heuristics in decision making,”  forthcoming in Review of Economics and Statistics. 

 

Biggs, S.F., J.C. Bedard, B.G. Gaber, and T.J. Linsmeier (1985) “The effect of task size and similarity on the  decision behavior of bank loan officers,” Management Science 31(8), 970‐987. 

 

Botti, S., and S.S. Iyengar (2006) “The dark side of choice: When choice impairs social welfare,” Journal  of Public Policy and Marketing 25(1), 24‐38. 

 

Brenčič, V., and J.B. Norris (2012) “Employers’ online recruitment and screening practices,” Economic  Inquiry 50(1), 94‐111. 

 

Bruine de Bruin, W. (2005) “Save the last dance for me: Unwanted serial position effects in jury  evaluations,” Acta Psychologica 123(3), 299‐311. 

 

Bucklin, R.E., and C. Sismeiro (2009) “Click here for Internet insight: Advances in clickstream data  analysis in marketing,” Journal of Interactive Marketing 23(1), 35‐48. 

 

Camerer, C.F. (2012) “Behavioral economics,” Working Paper.  

Caplin, A., and M. Dean (2011) “Search, choice, and revealed preferences,” Theoretical Economics 6(1),  19‐48. 

 

Caplin, A., M. Dean, and D. Martin (2011) “Search and satisficing,” American Economic Review 101(7),  2899‐2922. 

 

Conlisk, J. (1996) “Why bounded rationality?” Journal of Economic Literature 34(2), 669‐700.  

DellaVigna, S. (2009) “Psychology and economics: Evidence from the field,” Journal of Economic  Perspective 47(2), 315‐372. 

 

Eriksson, S. and J. Lagerström (2006) "Competition between employed and unemployed job applicants:  Swedish evidence," Scandinavian Journal of Economics 108(3), 373‐396. 

 

Glejser, H. and B. Heyndels (2001) “Efficiency and inefficiency in the ranking in competitions: The case of  the Queen Elisabeth music contest,” Journal of Cultural Economics 25(2), 109‐129. 

 

Greenstein, S., and J. Prince (2008) “The diffusion of the internet and the geography of the digital divide  in the United States.”  In Danny Quah, Robin Mansell, (eds), The Oxford Handbook of Information and Communication Technologies. 

 

Hadass, Y.S. (2004) “The effect of Internet recruiting on the matching of workers and employers,”  

22

Working Paper.  

Häubl, G., and V. Trifts (2000) “Consumer decision making in online shopping environments: The effects  of interactive decision aids,” Marketing Science 19(1), 4‐21. 

 

Hauser, J.R., and B. Wernerfelt (1990) “An evaluation cost model of consideration sets,” Journal of  Consumer Research 16(4), 393‐408. 

 

Hogarth, R.M., and H.J. Einhorn (1992) “Order effects in belief updating: The belief‐adjustment model,”  Cognitive Psychology 24(1), 1‐55. 

 

Horan, S. (2010) “Sequential search and choice from lists,” Working Paper.  

iLogos Research (2003) Global 500 website recruiting: 2003 survey.  

Iyengar, S.S., and M.R. Leeper (2000) “When choice is demotivating: Can one desire too much of a good  thing?” Journal of Personality and Social Psychology 79(6), 995‐1006.  

Iyengar, S.S., and E. Kamenica (2010) “Choice proliferation, simplicity seeking, and asset allocation,”  Journal of Public Economics 94(7‐8), 530‐539. 

 

Jansen, B.J., and U. Pooch (2001) “A review of web searching studies and a framework for future  research,” Journal of the American Society for Information Science and Technology 52(3), 235‐246. 

 

Jarvenpaa, S.L. (1989) “The effect of task demands and graphical format on information processing  strategies,” Management Science 35(3), 285‐303. 

 

Johnson, E.J., W.W. Moe, P.S. Fader, S. Bellman, and G.L. Lohse (2004) “On the depth and dynamics of  online search behavior,” Management Science 50(3), 299‐308. 

 

Kamenica, E. (2011) “Behavioral economics and psychology of incentives,” Working Paper.  

Kelton, A.S., R.R. Pennington, and B.M. Tuttle (2010) “The effects of information presentation format on  judgment and decision making: A review of the information systems research,” Journal of Information Systems 24(2), 79‐105.  

 

Kroft, K., and D. Pope (2010) “Does online search crowd out traditional search and improve matching  efficiency? Evidence from Craigslist,” Working Paper. 

 

Kuhn, P., and H. Mansour (2011) “Is Internet job search still ineffective?” Working Paper.  

Kuhn, P., and M. Skuterud (2004) “Internet job search and unemployment durations,” American  Economic Review 94(1), 218‐232. 

 

Masatlioglu, Y., and D. Nakajima (2010) “Choice by iterative search,” Working Paper.  

Manzini, P., and M. Mariotti (2007) “Sequentially rationalizable choice,” American Economic Review  97(5), 1824‐1839. 

 

Meredith, M. and Y. Salant (2012) “On the causes and consequences of ballot order‐effects,” Political  Behavior, forthcoming. 

 

Merrill, D.R. (2011) “Storage economics,” White Paper, Hitachi Data Systems.  

Miller, J.M., and J.A. Krosnick (1998) “The impact of candidate name order on election outcomes,” Public  Opinion Quarterly 62(3), 291‐330. 

 

23

Miller, A.R., and C.E. Tucker (2011) “Can health care information technology save babies?” Journal of  Political Economy 119(2), 289‐324. 

 

Nakamura, A., K. Shaw, R. Freeman, E. Nakamura, and A. Pyman (2009) “Jobs online.” In: Autor D (Ed),  Labor Market Intermediation, Chicago Press. 

 

Papi, M. (2010) “Satisficing choice procedures,” Working Paper.  

Payne, J.W. (1982) “Contingent decision behavior,” Psychological Bulletin 92(2), 382‐402.  

Payne, J.W., J.R. Bettman, and E.J. Johnson (1988) “Adaptive strategy selection in decision making,”  Journal of Experimental Psychology 14(3), 534‐552. 

 

Remus, J. (1987) “A study of graphical and tabular displays and their interaction with environmental  complexity,” Management Science 33(9), 1200‐1204. 

 

Rochet, J.C. and J. Tirole (2006) “Two‐sided markets: A progress report,” RAND Journal of Economics  37(3), 645‐667. 

 

Rubinstein, A., and Y. Salant (2006) “A model of choice from lists,” Theoretical Economics 1(1), 3‐14.  

Russom, M.B., R.H. Sloan, and R. Warner (2011) “Legal concepts meet technology: A 50‐state survey of  privacy laws,” Proceedings of the 2011 Workshop on Governance of Technology, Information, and Policies, December 6, 2011, Orlando, Florida, USA, 29‐37. 

 

Salant, Y. (2003) “Limited computation resources favor rationalizability,” Working Paper.  

Salant, Y. (2011) “Procedural analysis of choice rules with applications to bounded rationality,” American  Economic Review 101(2), 724‐748. 

 

Salant, Y., and A. Rubinstein (2008) “(A, f): Choice with frames,” Review of Economic Studies 75(4), 1287‐1296.  

Shi, S. (2006) “Search theory: Current perspectives,” forthcoming in New Palgrave Dictionary.  

Simon, H.A. (1955) “A behavioral model of rational choice,” Quarterly Journal of Economics 69(1), 99‐118.  

Stevenson, B. (2009) “The Internet and job search.” In: Autor D (Ed), Labor Market Intermediation,  Chicago Press. 

 

Timmermans, D. (1993) “The impact of task complexity on information use in multi‐attribute decision  making,” Journal of Behavioral Decision Making 6(2), 95‐111.  

 

Weddle, P. Weddle’s  Recruiter’s Guide to Employment Web Sites 2002. New York: American  Management Association; 2002, 2003, 2004. 

 

Weddle, P. Weddle’s  Guide to Employment Sites on the Internet 2005/06. New York: American  Management Association; 2005, 2007, 2009, 2011. 

 

Wilson, V.E. (1977) “Objectivity and effect of order of appearance in judging of synchronized swimming  mets,” Perceptual and Motor Skills 44(1), 295‐298.

24

TABLE 1 Description of variables and summary statistics 

   Unbalanced panel of online sites that host job boards and resume banks (time period: 2002‐2011)  Description Size Mean SDVariable name Number of visitors  number of visitors in a typical month  1,890 521,461 2,381,050Page views per visitor  number of page views per visitor  1,554 13.513 20.184Date activated  year the site first appeared on the Internet 1,917 1998 2.985Number of jobs  number of jobs posted on a site at any point in time   1,724 42,063 260,736General site  1 if online site accepts all types of jobs 1,857 0.027 0.163Number of most common job types number of most prevalent types of jobs posted by recruiters 1,950 2.854 1.403National focus  1 if site caters to the entire US labor market 1,933 0.597 0.491Regional focus  1 if site caters to a state within the US labor market  1,933 0.162 0.369Link to corporate site  1 if a job posting on a site can be linked to a company’s website 1,929 0.921 0.269Number of CVs  number of resumes in the site’s database 1,591 530,743 3,434,966Number of most common CV types number of most prevalent types of CV posted by job searchers  1,950 2,128 1.455Career information  1 if a site offers job search, career, or interviewing tips/advice 1,912 0.798 0.401Link sites  1 if link to other sites with career and job search information  1,245 0.822 0.382Reputation  1 if site awarded User’s Choice Award  1,950 0.085 0.279Instruments Data disposal law  1 if law enacted in a state of the site’s headquarters   1,843 0.327 0.469PII covered by data disposal law   personally identifiable information covered by data disposal law 1,843 1.656 2.781Security breach notification law  1 if law enacted in a state of the site’s headquarters   1,843 0.449 0.498PII covered by notification law  personally identifiable information covered by notification law 1,843 1.694 2.073Facebook account penetration   % of adult population with a facebook account (2004; state‐level) 1,478 8.480 2.806Incidence of blogging  fraction of population with own online journal/blog (state‐level) 1,426 0.071 0.025

 

Notes:  Total number of observations is 1,950.  Sample size refers to the number of observations for which a particular attribute is observed.  Sample size differs from the total number of observations on two counts: a) missing values (i.e., the fact that some sites do not report all information) or b) a change in the survey’s questionnaire during the sample period.  For instrument variables, the data are available only for sites that meet two criteria: the sites have their headquarters in the US and they serve a regional or national market in the US.  Source: Information about websites was obtained from the Weddle’s Guide to Employment Web Sites.  Information about instruments was obtained from Russom et al. (2011), the National Conference of State Legislatures (http://www.ncsl.org/), insidefacebook.com, and the Pew Institute (http://pewresearch.org/).  

25

  

TABLE 2  Sample means for selected variables by year 

  

      

Notes: Each year, 350 sites were selected that best represented the capabilities that one could find online.  Since 2005, the guides have been issued biennially.  In the most recent 2009‐10 and 2011‐12 surveys, only the 100 most popular online sites were reviewed.  Source: Various issues of Weddle’s Guide to Employment Web Sites.

Sample:  Unbalanced panel of online sites that host job boards and resume banksVariable name:  2002 2003 2004 2005‐06 2007‐08 2009‐10 2011‐12Number of visitors  263,918 321,283 293,400 487,396 402,113 1,475,599 2,369,101Page views per visitor  12.273 16.766 12.911 12.753 13.662 12.451 9.743Number of jobs  13,237 18,926 18,217 29,914 33,915 173,009 207,799Number of CVs  178,299 219,129 260,753 339,734 314,267 2,418,767 1,999,852

26

      

TABLE 3: Baseline results 

Sample: Unbalanced panel of online websites that host job boards and resume banks (Period: 2002‐2011) 

Dependent variable: Average number of visitors in a month   

Number of page views  per visitor  

  No controls 

With controls  

No controls 

With  controls  

  (1) (2) (3) (4) Ordinary least squares   number of  jobs   4.402 4.340 ‐0.000 0.000   (1.840)** (1.849)** (0.000) (0.000) number of CVs   0.404 0.390 0.000 0.000   (0.060)*** (0.057)*** (0.000)** (0.000)*** Observations  1452 1368 1226 1151 R‐squared  0.65 0.69 0.01 0.04 Website‐level fixed effects   number of  jobs   5.650 5.990 0.000 0.000   (0.484)*** (0.492)*** (0.000) (0.000) number of CVs   0.403 0.395 0.000 0.000   (0.016)*** (0.016)*** (0.000) (0.000) Observations  1075 998 860 797 Number of websites  345 322 290 271 R‐squared  0.69 0.73 0.01 0.03 

Notes: (i) Robust standard errors with online sites as clusters in parentheses. (ii) * significant at 10%; ** significant at 5%; *** significant at 1%.  (iii) Control variables: dummy for year of establishment prior to 2000, dummy for general website, # of job/CV categories for which a site is specialized, dummy for receipt of a User’s Choice reward, dummy if link to corporate sites, dummy for provision of career‐related information, dummy variables for whether a site caters to regional or national market.  Source: Weddle’s Guide to Employment Web Sites.   

 

27

TABLE 4: Results with state laws on data security and privacy as instruments 

Sample: Unbalanced panel of online websites that host job boards and 

resume banks (Period: 2002‐2011) 

Dependent variable: Average number of visitors in 

a month   Number of page views  

per visitor    No 

controls With 

controls  No 

controls With  

controls    (1) (2) (3) (4) IV: State‐level data disposal law number of  jobs   7.785 5.710 ‐0.000 ‐0.000   (5.250) (4.518) (0.000) (0.000) number of CVs   0.361 0.490 0.000 0.000   (0.278) (0.170)*** (0.000) (0.000) Observations  1380 1301 1161 1091 1st stage results   Dependent variable:  # of jobs # of jobs # of jobs # of jobs 1 if law enacted  55.341 34,685 43,522 24,566   (20.151)*** (19,509)* (22,3009)* (21,908) Depth of coverage ‐6.652 ‐5,766 ‐4,918 ‐4,107   (2.780)** (2,816)** (3,176)* (3,311) Dependent variable:  # of CVs # of CVs # of CVs # of CVs 1 if law enacted  683,960 21,347 492,308 ‐194,907   (432.282) (302,919) (457,349) (318,561) Depth of coverage ‐32.356 ‐13,728 4,165 70,144   (70.061) (65,104) (82,606) (81,641) IV: State‐level security breach notification requirements lawnumber of  jobs   10.927 10.000 ‐0.000 ‐0.000   (4.067)*** (4.647)** (0.000) (0.000) number of CVs   0.261 0.335 0.000 0.000   (0.139)* (0.123)*** (0.000) (0.000) Observations  1380 1301 1161 1091 1st stage results   Dependent variable:  # of jobs # of jobs # of jobs # of jobs 1 if law enacted  56,647 23,037 47,760 24,266   (16,123)*** (16,065) (18,237)*** (17,599) Depth of coverage ‐9,918 ‐5,538 ‐7,912 ‐5,630   (2,896)*** (2,934)* (3,305)** (3,384)* Dependent variable:  # of CVs # of CVs # of CVs # of CVs 1 if law enacted  401,303 ‐690,858 55,673 ‐867,076   (774,273) (728,257) (952,223) (954,854) Depth of coverage 23,315 173,316 95,276 218,437   (209,551) (206,937) (259,722) (264,246) 

Notes: (i) Robust standard errors with online sites as clusters in parentheses. (ii) * significant at 10%; ** significant at 5%; *** significant at 1%.  (iii) Control variables: see notes to Table 3.  (iv) Data disposal law IV: 1 if law effective in year t and 0 otherwise (Source: ncsl.com).  (v) Law coverage: count variable for type of data considered as personally identifiable information protected by law (Source: Russom et al., 2011).  (vi) Security breach notification requirement law IV: 1 if law effective in year t and 0 otherwise (Source: ncsl.com).     

28

TABLE 5: Results with prevalence of blogging and facebook accounts as instruments 

Sample: Unbalanced panel of online websites that host job boards and 

resume banks for the US market (Period: 2002‐2011) 

Dependent variable: Average number of visitors in 

a month   Number of page views  

per visitor    No 

controls With 

controls  No 

controls With 

controls    (1) (2) (3) (4) IV: Facebook account penetration  number of  jobs   8.273 4.608 ‐0.000 ‐0.000  (4.599)* (7.843) (0.001) (0.000)number of CVs   0.445 0.764 0.000 ‐0.000  (0.411) (0.379)** (0.000) (0.000)Observations  1084 1007 927 858 1st stage results   Dependent variable:  # of jobs # of jobs # of jobs # of jobs% with Facebook account  ‐4,340.33 ‐2,294 ‐2,164.98 ‐1,174  (3,351.94) (3,280) (1,354.13)  (2,104)% with Facebook account2  64.061 42.615 25.817 23.491  (61.144) (60.142) (24.336) (39.102)Dependent variable:  # of CVs # of CVs # of CVs # of CVs% with Facebook account  6,058 50,821 ‐19,627 22,741  (23,371) (27,757)* (18,173) (26,911)% with Facebook account2  ‐136.34 ‐822.30 272.60 ‐351.71  (435.58) (518.47) (332.33) (494.18)IV: Incidence of blogging   number of  jobs   ‐1.215 ‐0.710 0.000 0.000  (15.750) (7.200) (0.001) (0.000)number of CVs   1.204 0.911 ‐0.000 ‐0.000  (1.665) (0.369)** (0.000) (0.000)Observations  1041 971 889 827 1st stage results   Dependent variable:  # of jobs # of jobs # of jobs # of jobsincidence of blogging  975,450 512,525 1,168,956  574,333  (269,004)*** (336,244) (305,407)***  (284,148)**incidence of blogging2  ‐2,865,563 ‐2,103,784 ‐3,937,392  ‐2,323,625  (1,218,789)** (1,961,343) (1,000,044)***  (1,731,984)Dependent variable:  # of CVs # of CVs # of CVs # of CVsincidence of blogging  8,993,888 3,314,804 9,708,552  4,776,217  (3,285,802)*** (2,976,303) (3,012,053)***  (3,128,326)incidence of blogging2  ‐22,900,000 ‐23,700,000 ‐31,500,000  ‐23,600,000  (13,300,00)* (18,400,000) (12,300,000)***  (20,600,000) 

Notes: (i) Robust standard errors with online sites as clusters in parentheses. (ii) * significant at 10%; ** significant at 5%; *** significant at 1%.  (iii) Control variables: see notes to Table 3.  (iv) Facebook account penetration IV: % of state population with facebook account if a site caters to a state labor market and national % if a site caters to a to national labor market in 2004 (Source: insidefacebook.com).  (v) Incidence of blogging IV: fraction of state population that blogs of those that are online if a site caters to a state labor market and national fraction if a site caters to a national labor market (Source: Pew Institute).    

29

TABLE 6: Results with a detailed measure of the number of postings 

Sample:  Unbalanced panel of online websites that host job boards and resume banks (Period: 2002‐2011)Dependent variable:  Average number of visitors in a month  Page views per visitor  No 

controls With 

controls  Fixed effects  

No controls 

With controls  

Fixed effects  

  (1) (2) (3)  (4) (5) (6)1 if job board with >50 jobs and <=100 jobs  146,284.740 140,161.427 886,776.525 ‐1.490 6.208 1.512  (65,853.492)** (143,036.495) (1285172.162) (7.551) (7.003) (19.882)1 if job board with >100 jobs and <=250 jobs  53,663.880 25,727.824 342,041.863 14.615 16.847 14.347  (62,681.897) (81,666.857) (825,063.479) (6.512)** (7.097)** (12.392)1 if job board with >250 jobs and <=500 jobs  119,782.743 136,455.492 ‐6,983.216 12.954 15.252 18.618  (57,022.612)** (103,579.751) (890,569.980) (6.642)* (7.004)** (13.640)1 if job board with >500 jobs and <=1500 jobs 88,402.691 ‐1,056.175 625,306.926 19.008 10.030 9.997  (57,318.653) (96,794.881) (733,826.160) (7.432)** (6.171) (11.439)1 if job board with >1500 jobs and <=5000 jobs 87,278.593 ‐82,381.892 326,886.489 12.192 12.673 7.310  (62,245.719) (103,317.378) (675,108.937) (6.617)* (6.952)* (10.572)1 if job board with >5000 jobs and <=100000 jobs 190,481.250 50,721.777 400,556.477 14.155 14.582 15.679  (95,348.803)** (102,132.885) (586,326.338) (4.966)*** (5.295)*** (9.212)*1 if job board with >100000 jobs  ‐27,705.395 32,657.620 ‐307,215.700 5.370 8.426 3.572  (978,703.683) (993,543.300) (665,884.467) (5.273) (5.632) (10.429)1 if CV bank with >50 CVs and <=100 CVs  566,308.071 332,620.290 ‐83,855.946 ‐13.225 ‐23.599 ‐5.569  (301,292.087)* (409,323.811) (2165561.283) (6.621)** (8.789)*** (31.144)1 if CV bank with >100 CVs and <=250 CVs  ‐2,981.079 ‐53,868.906 96,656.574 ‐4.406 ‐3.072 11.182  (88,959.874) (167,724.997) (1551750.411) (5.806) (6.723) (22.824)1 if CV bank with >250 CVs and <=500 CVs  ‐54,182.714 ‐103,293.540 ‐1300203.364 6.838 8.674 2.645  (109,137.305) (128,713.829) (1412176.876) (7.916) (9.058) (23.042)1 if CV bank with >500 CVs and <=1500 CVs  199,594.808 37,808.097 ‐1087316.408 1.304 ‐6.119 ‐1.198  (110,002.591)* (162,174.574) (1236750.586) (5.753) (6.116) (18.224)1 if CV bank with >1500 CVs  and <=5000 CVs 96,461.641 51,243.876 ‐208,237.700 1.719 ‐0.915 2.156  (78,027.135) (93,821.452) (553,120.195) (4.943) (5.393) (8.242)1 if CV bank with >5000 CVs and <=100000 CVs 150,975.990 42,788.255 ‐166,685.136 4.351 0.305 5.100  (72,485.257)** (90,871.683) (545,990.806) (3.601) (3.706) (7.987)1 if CV bank with >100000 CVs  58,789.938 ‐176,897.377 ‐377,151.219 5.058 ‐0.664 3.757  (117,698.383) (126,631.802) (540,532.196) (3.809) (3.846) (7.945)# jobs if job board with <=50 jobs  203.872 388.284 508.789 0.320 0.408 0.474  (570.726) (1,883.111) (17,678.913) (0.223) (0.238)* (0.267)*

30

# jobs if job board with >50 jobs and <=100 jobs ‐1,152.305 ‐990.032 ‐10,579.173 0.110 0.047 0.142  (768.414) (1,478.862) (13,631.141) (0.083) (0.054) (0.215)# jobs if job board with >100 jobs and <=250 jobs 122.379 55.024 ‐797.990 ‐0.027 ‐0.027 ‐0.004  (378.396) (404.692) (3,272.158) (0.023) (0.026) (0.047)# jobs if job board with >250 jobs and <=500 jobs ‐132.583 ‐291.514 551.361 ‐0.009 ‐0.009 ‐0.012  (142.256) (276.406) (1,812.631) (0.013) (0.014) (0.028)# jobs if job board with >500 jobs and <=1500 jobs 3.508 75.437 ‐339.663 ‐0.007 0.003 0.002  (62.194) (97.639) (508.838) (0.006) (0.004) (0.008)# jobs if job board with >1500 jobs and <=5000 jobs 14.713 56.123 57.564 0.001 0.001 0.002  (18.076) (28.074)** (117.734) (0.002) (0.002) (0.002)# jobs if job board with >5000 jobs and <=100000 jobs 8.114 9.648 11.327 0.000 0.000 0.000  (3.567)** (3.441)*** (4.217)*** (0.000) (0.000) (0.000)# jobs if job board with >100000 jobs  4.551 4.479 6.667 0.000 0.000 0.000  (2.818) (2.810) (0.605)*** (0.000) (0.000) (0.000)**# CVs if bank with <=50 CVs  3,526.833 1,129.718 ‐4,592.740 ‐0.030 ‐0.154 ‐0.050  (2,363.252) (3,291.055) (18,001.378) (0.090) (0.097) (0.254)# CVs if CV bank with >50 CVs and <=100 CVs ‐5,067.556 ‐2,766.621 1,600.734 0.152 0.229 0.152  (3,049.794)* (4,230.660) (24,969.890) (0.083)* (0.111)** (0.358)# CVs if CV bank with >100 CVs and <=250 CVs 421.320 580.640 ‐1,063.624 0.023 0.003 ‐0.029  (356.709) (781.834) (7,914.042) (0.032) (0.035) (0.120)# CVs if CV bank with >250 CVs and <=500 CVs 312.882 286.446 2,325.230 ‐0.014 ‐0.025 0.003  (214.791) (231.238) (3,014.197) (0.017) (0.019) (0.049)# CVs if CV bank with >500 CVs and <=1500 CVs ‐98.261 4.923 1,089.043 ‐0.002 0.004 0.004  (87.126) (127.304) (1,011.172) (0.005) (0.005) (0.015)# CVs if CV bank with >1500 CVs  and <=5000 CVs ‐2.499 ‐17.548 13.708 0.001 0.001 0.001  (12.618) (16.580) (113.090) (0.002) (0.002) (0.002)# CVs if CV bank with >5000 CVs and <=100000 CVs ‐0.357 ‐0.435 0.894 ‐0.000 ‐0.000 0.000  (0.910) (1.085) (3.051) (0.000) (0.000) (0.000)# CVs if CV bank with >100000 CVs  0.406 0.393 0.406 0.000 0.000 0.000  (0.063)*** (0.059)*** (0.017)*** (0.000)*** (0.000)*** (0.000)*Observations  1452 1368 998  1226 1151 797R‐squared  0.66 0.69 0.72 0.05 0.08 0.08

 

Notes:  (i) Robust standard errors clustered at the website level in parentheses.  (ii) * significant at 10%; ** significant at 5%; *** significant at 1%.   (iii) Control variables: see notes to Table 3.   

31

APPENDIX Table A1: Location of websites’ headquarters 

 

State %Alabama 0.22Arkansas 0.16Arizona 1.95California 13.02Colorado 3.74Connecticut 2.60District of Columbia 2.98Delaware 0.05Florida 8.52Georgia 3.47Hawaii 0.05Illinois 4.99Indiana 1.19Iowa 1.14Kansas 0.22Kentucky 0.11Louisiana 1.19Massachusetts 4.72Maryland 3.04Maine 0.81Michigan 2.06Minnesota 1.57Missouri 0.49Mississippi 0.05Montana 0.38North Carolina 1.79Nebraska 0.22New Hampshire 0.76New Jersey 3.47New Mexico 0.22Nevada 0.33New York 8.36Ohio 2.22Oklahoma 0.49Oregon 0.76Pennsylvania 4.77South Carolina 0.33South Dakota 0.05Tennessee 0.22Texas 3.47Utah 0.16Virginia 8.30Vermont 0.11Washington 2.17Wisconsin 2.88Wyoming 0.16

 

 

32

TABLE A2: Adoption of laws by year for states with websites’ headquarters   Year  States with DATA BREACH NOTIFICATION law in RED States with DATA DISPOSAL law in RED2002  AR, AZ, CA, CO, CT, DC, DE, FL, GA, HI, IL, IN, IA, KS, LA, 

MA, MD, MI, MN, MO, MT, NC, NH, NJ, NM, NV, NY, OH, OK, PA, SC, SD, TN, TX, VA, WA, WI, WY 

AR, AZ, CA, CO, CT, DC, DE, FL, GA, HI, IL, IN, IA, KS, LA, MA, MD, MI, MN, MO, MT, NC, NH, NJ, NM, NV, NY, OH, OK, PA, SC, SD, TN, TX, VA, WA, WI, WY 

2003  AR, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KS, LA, MA, MD, ME, MI, MN, MO, MT, NC, NE, NH, NJ, NM, NY, OH, OK, OR, PA, TX, UT, VA, WA, WI, WY 

AR, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KS, LA, MA, MD, ME, MI, MN, MO, MT, NC, NE, NH, NJ, NM, NY, OH, OK, OR, PA, TX, UT, VA, WA, WI, WY 

2004  AR, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KY, LA, MA, MD, ME, MI, MN, MO, MT, NC, NH, NJ, NV, NY, OH, OK, OR, PA, SC, TX, UT, VA, WA, WI, WY 

AR, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KY, LA, MA, MD, ME, MI, MN, MO, MT, NC, NH, NJ, NV, NY, OH, OK, OR, PA, SC, TX, UT, VA, WA, WI, WY 

2005/2006  AL, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KS, KY, LA, MA, MD, ME, MI, MN, MO, MT, NC, NH, NJ, NM, NY, OH, OK, OR, PA, SC, TN, TX, VA, VT, WA, WI 

AL, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KS, KY, LA, MA, MD, ME, MI, MN, MO, MT, NC, NH, NJ, NM, NY, OH, OK, OR, PA, SC, TN, TX, VA, VT, WA, WI 

2007/2008  AL, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KS, LA, MA, MD, ME, MI, MN, MO, MS, MT, NC, NE, NH, NJ, NV, NY, OH, OK, OR, PA, SC, TX, VA, VT, WA, WI 

AL, AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, KS, LA, MA, MD, ME, MI, MN, MO, MS, MT, NC, NE, NH, NJ, NV, NY, OH, OK, OR, PA, SC, TX, VA, VT, WA, WI 

2009/2010  AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, LA, MA, MD, MI, MN, MT, NC, NE, NJ, NY, OH, PA, TX, VA, WA, WI 

AZ, CA, CO, CT, DC, FL, GA, IL, IN, IA, LA, MA, MD, MI, MN, MT, NC, NE, NJ, NY, OH, PA, TX, VA, WA, WI 

2011/2012  AZ, CA, CO, CT, DC, FL, GA, IL, IA, MA, MD, ME, MN, MT, NC, NE, NJ, NY, OH, PA, TX, VA, WA,WI 

AZ, CA, CO, CT, DC, FL, GA, IL, IA, MA, MD, ME, MN, MT, NC, NE, NJ, NY, OH, PA, TX, VA, WA,WI 

 

Source: Weddle’s Guides to Employment Web Sites, Russom et al. (2011), and www.ncsl.com.