Die körperliche und geistige Gesundheit der Menschen steht mit sozialen Institutionen und Prozessen in einem vielschichtigen Wechselverhältnis. So kann die Erhaltung der Gesundheit bspw. von den Leistungen einer Krankenkasse abhängen (Verursachung); umgekehrt hängt es aber auch von unserer individuellen Gesundheit ab, ob wir überhaupt Zugang zu einer privaten oder einer gesetzlichen Krankenkasse erhalten (Selektion, Stauder/Kossow 2016). In gleicher Weise lässt sich theoretisch plausibel fragen, ob Arbeitslosigkeit krank macht oder ob lediglich weniger gesunde Menschen ein höheres Arbeitslosigkeitsrisiko tragen. Und eine ähnlich gelagerte Frage ergibt sich in der Diskussion darum, ob eine intime Partnerschaft Menschen vor Krankheit schützt (der sogenannte Protektionseffekt), oder ob gesunde Menschen nicht einfach bessere Chancen haben, eine Partnerschaft einzugehen (Selektionseffekt).
Während klassische statistische Verfahren nicht oder kaum in der Lage sind, zwischen den vielfältigen Selektions- und Verursachungsmechanismen zu unterscheiden, erlauben es Methoden der Panelregression etwas besser, zwischen den beiden Wirkungsrichtungen zu diskriminieren, indem unbeobachtete zeitkonstante Heterogenität eliminiert und damit für die Selektion durch zeitkonstante Variablen kontrolliert wird. Dabei hängt die Zulässigkeit des Kausalitätsschlusses (z. B. Arbeitslosigkeit verursacht Krankheit) in erster Linie davon ab, mit welcher Wahrscheinlichkeit zwischen zwei Panelwellen Veränderungen beider beteiligter Merkmale mit umgekehrter Kausalrichtung erfolgen können.
Die Studie soll beispielhaft (für den Zusammenhang von Arbeitslosigkeit und physischer bzw. mentaler Gesundheit) die Möglichkeiten und Grenzen einer statistischen Kausalanalyse mit der Panelregression aufzeigen. Hierzu werden die seit 2002 in zweijährigem Abstand erhobenen Gesundheitsindikatoren des Sozioökonomischen Panels (physical health und mental health component scale) mit fixed effects-Modellen analysiert. Die Studie diskutiert abschließend, wie und in wie weit sich mit der Hilfe von Zeitpfadanalysen Kausalität zeigen lässt, wenn sich Selektion auch mit fixed-effects-Modellen nicht vollständig ausschließen lässt.