To find out, researchers used a method called a conjoint experiment. Each respondent was shown pairs of hypothetical asylum seekers, each described by nine features: nationality, occupation, language, religion, the reason they’re fleeing, how vulnerable they are, whether their testimony is consistent, gender and age.
They picked which of the two they would let in and rated each on a 1–7 scale (where 1 is refusal and 7 is acceptance). Because the features of asylum seekers are randomised, the difference any one of them makes is a clean causal estimate rather than a correlation: swap “unemployed” for “doctor,” leave everything else to chance, and the change in support is the effect of the job.
Bansak, Hainmueller and Hangartner (2016, 2023) ran this across 15 European countries with about 18,000 respondents in 2016, and a replication in 2022.
This explorer turns those choices into four views. Build an applicant and watch the model’s predicted acceptance move as you change a trait. What matters ranks the average effect of every feature. By ideology of respondents traces acceptance from the most left-wing to the most right-wing. Compare countries puts the same applicant in all 15 at once. The Outcome toggle switches between a yes/no admission and the full 1–7 rating; the dropdown picks any country, or pools all of Europe.
Om dat te achterhalen gebruikten onderzoekers een methode die een conjoint-experiment heet. Elke respondent kreeg paren hypothetische asielzoekers te zien, elk beschreven met negen kenmerken: nationaliteit, beroep, taal, religie, de reden van hun vlucht, hoe kwetsbaar ze zijn, of hun verklaring consistent is, geslacht en leeftijd.
Ze kozen wie van de twee ze zouden toelaten en gaven elk een score van 1 tot 7 (waarbij 1 weigeren is en 7 toelaten). Doordat de kenmerken willekeurig worden toegewezen, is het verschil dat elk kenmerk maakt een zuivere causale schatting in plaats van een correlatie: vervang “werkloos” door “arts”, laat de rest aan het toeval over, en de verandering in steun ís het effect van het beroep.
Bansak, Hainmueller en Hangartner (2016, 2023) deden dit in 15 Europese landen met ongeveer 18.000 respondenten in 2016, en een herhaling in 2022.
Deze verkenner zet die keuzes om in vier weergaven. Stel een aanvrager samen en zie de voorspelde toelating veranderen als je een kenmerk wijzigt. Wat telt rangschikt het gemiddelde effect van elk kenmerk. Naar ideologie van respondenten volgt de toelating van meest links tot meest rechts. Vergelijk landen plaatst dezelfde aanvrager in alle 15 landen tegelijk. De Uitkomst-schakelaar wisselt tussen een ja/nee-toelating en de volledige 1–7-score; met het keuzemenu kies je een land, of bundel je heel Europa.
The outcome is the per-profile 1–7 acceptance rating, shown via the toggle either binarised (rated 5+ = admit, as a %) or as the predicted rating — or the paired forced choice (the probability of being preferred over the other applicant in the pair), which is the outcome in BHH’s Figure 2 and runs ~1.4× larger than the absolute admission rate (same ranking, bigger gaps). The model is the standard additive AMCE model — each trait contributes a fixed average effect, selected by BIC over reason×trait and full two-way interaction models (interactions don’t earn their parameters). “What matters” shows those effects, with the reason for fleeing anchored on fleeing war. The headline number is the average; the curve beneath it is the real distribution of individual 1–7 ratings — that spread is huge, since the traits explain only ~4% of the variance in how any one person rates. “By ideology” traces one applicant’s predicted acceptance across the 0–10 left–right scale, each point with a 95% CI. All CIs are cluster-robust on respondent. Code: conjoint-explorer.
De uitkomst is de 1–7-toelatingsscore per profiel, via de schakelaar getoond als gebinariseerd (score 5+ = toelaten, in %), als de voorspelde score, of als de gepaarde gedwongen keuze (de kans om de voorkeur te krijgen boven de andere aanvrager) — de uitkomst in Figuur 2 van BHH, die ~1,4× groter uitvalt dan de absolute toelatingsgraad (zelfde rangorde, grotere verschillen). Het model is het standaard additieve AMCE-model — elk kenmerk levert een vast gemiddeld effect, door BIC gekozen boven modellen met reden×kenmerk- en alle tweeweg-interacties (interacties verdienen hun parameters niet). “Wat telt” toont die effecten, met de reden voor vlucht verankerd op vlucht voor oorlog. Het kopgetal is het gemiddelde; de curve eronder is de echte verdeling van individuele 1–7-scores — die spreiding is enorm, want de kenmerken verklaren slechts ~4% van de variantie in hoe iemand scoort. “Naar ideologie” volgt de voorspelde toelating van één aanvrager over de 0–10 links-rechtsschaal, elk punt met een 95%-BI. Alle BI’s zijn cluster-robuust op respondent. Code: conjoint-explorer.
On nationality: the 2016 and 2022 waves are pooled, with a survey-year fixed effect absorbing the small overall shift between them. Because the 2022 invasion changed how Ukrainians are seen, Ukraine is split into pre-war (2016) and post-war (2022): pre-war sits mid-pack (≈+0.7 vs Kosovo), post-war jumps to the top (≈+6, clear of Syria). The 2022 wave also added a “War” reason for fleeing. Every other origin is pooled.
Over nationaliteit: de golven van 2016 en 2022 zijn gebundeld, met een enquêtejaar-vast effect dat de kleine algehele verschuiving opvangt. Omdat de invasie van 2022 alleen veranderde hoe Oekraïners worden gezien, is Oekraïne gesplitst in voor de invasie (2016) en na de invasie (2022): voor de invasie middenmoot (≈+0,7 vs Kosovo), na de invasie naar de top (≈+6, ruim boven Syrië). De golf van 2022 voegde ook een reden “Oorlog” toe. Elke andere herkomst is gebundeld.