Maßnahmen zur Eindämmung von COVID-19 führten zu Belastungen, die gesundheitliche Ungleichheiten verstärkt haben. Wir untersuchen, inwiefern sich Risikogruppen für ein reduziertes subjektives Wohlbefinden nach Eintreten des Lockdowns 2020 identifizieren lassen. Dabei berücksichtigen wir im Rahmen eines intersektionalen Ansatzes auch mögliche Wechselwirkungen verschiedener sozialer Gruppierungsmerkmale.
Analysiert wurden Daten des Sozio-oekonomischen Panels (SOEP) aus den Jahren 2018–2020. Insgesamt 16.000 Fälle mit Angaben zu Wohlbefindensänderungen (SF-12-Scores sowie Einzelindikatoren) wurden in die Auswertung einbezogen. Zur Identifikation von Gruppen mit unterschiedlicher Entwicklung im Wohlbefinden verwenden wir das Klassifikationsverfahren Random Forests. Zur inhaltlichen Interpretation stellen wir ergänzend Ergebnisse aus einem Regressionsmodell mit sozialen und gesundheitlichen Aspekten als Prädiktoren dar.
Demografische und soziale Merkmale erklärten nur einen sehr geringen Teil der Veränderungen im subjektiven Wohlbefinden (R 2 = 0,007–0,012) und ließen keine Abgrenzung homogener Risikogruppen zu. Obwohl einige signifikante Prädiktoren in den Regressionsmodellen gefunden wurden, waren entsprechende Effekte überwiegend gering. Neben dem Ausgangszustand im Wohlbefinden vor Pandemiebeginn trugen v. a. das Vorliegen chronischer Erkrankungen und Behinderungen zur Erklärung des Wohlbefindens bei.
Die aktuell vorliegenden Daten ermöglichen keine klare Identifikation von Risikogruppen für Einbußen im Wohlbefinden im ersten Jahr der COVID-19-Pandemie. Der Gesundheitszustand vor Pandemiebeginn scheint für kurzfristige Veränderungen im subjektiven Wohlbefinden bedeutsamer zu sein als soziodemografische und -ökonomische Kategorisierungsmerkmale.
Measures to contain COVID-19 have created burdens that have widened health inequalities. We examine the extent to which risk groups for reduced subjective well-being can be identified after the 2020 lockdown. In doing so, we also consider possible interactions of different social grouping characteristics as part of an intersectional approach.
Socio-Economic Panel (SOEP) data from the years 2018–2020 were analyzed. A total of 16,000 cases with information on changes in well-being (SF-12 scores and individual indicators) were included in the analyses. We use the classification method “random forests” to identify groups with different trends in well-being. For the interpretation of the content, we also present results from a regression model with social and health aspects as predictors.
Demographic and social characteristics explained only a very small part of the changes in subjective well-being (R 2 = 0.007–0.012) and did not allow for the differentiation of homogeneous risk groups. Although some significant predictors were found in the regression models, the corresponding effects were mostly small. In addition to the initial state of well-being before the pandemic began, the presence of chronic illnesses and disabilities in particular contributed to the explanation of subjective well-being.
The currently available data do not allow a clear identification of risk groups for losses in well-being in the first year of the COVID-19 pandemic. Health status before the onset of the pandemic appears to be more important for short-term changes in subjective well-being than socio-demographic and socio-economic categorization characteristics.
See how this article has been cited at scite.ai
scite shows how a scientific paper has been cited by providing the context of the citation, a classification describing whether it supports, mentions, or contrasts the cited claim, and a label indicating in which section the citation was made.