Die vorliegende Dissertation beschäftigt sich mit dem so genannten „Effekt zu großer Auswahl“. Der Effekt besagt, dass ein Überangebot von Auswahlalternativen negative Konsequenzen hat, in dem es beispielsweise die Motivation verringert, überhaupt eine Entscheidung zu treffen oder in dem es die subjektive Zufriedenheit mit der letztlich gewählten Alternative verringert. Die theoretischen Erklärung es Effektes sind jedoch bisher nur unzureichend präzisiert. Der Effekt steht im Widerspruch zu Axiomen der klassischen rationalen Entscheidungstheorie. Ein sicherer Nachweis des Effektes hätte daher Konsequenzen für die Theorienbildung in der Psychologie. Außerdem hätte der Effekt praktische Relevanz in angewandten Bereichen wie zum Beispiel im Konsumgütermarketing oder in der Politik. In der vorliegenden Arbeit wird zunächst der Versuch unternommen, bereits publizierte Studien zu replizieren, in denen große Effektstärken gefunden wurden. In einer Serie von insgesamt drei Replikationen mit insgesamt 850 Versuchsteilnehmern ließ sich jedoch der Effekt zu großer Auswahl nicht replizieren. Der Effekt scheint demnach weniger generalisierbar als bisher angenommen und sein Auftreten hängt vermutlich von spezifischen Randbedingungen ab. Die Arbeit widmet sich im weiteren der Frage wann, wieso und unter welchen Randbedingungen ein Effekt zu großer Auswahl zu erwarten ist. Dabei eine Reihe potenzieller Randbedingungen theoretisch begründet und in sechs weiteren Experimententen mit insgesamt 595 Teilnehmern getestet. Im Ergebnis können die meisten der getesteten Randbedingungen als Erklärung für das Auftreten des Effektes ausgeschlossen werden. Eine sich daran anschließende Meta-Analyse zeigt jedoch, dass der Unterschied zwischen Studien die einen Effekt nachweisen und solchen, in denen kein Effekt auftritt, vermutlich nicht allein durch Zufallsprozesse erklärbar ist. Demnach ist eine Suche nach weiteren Randbedingungen in zukünftiger Forschung gerechtfertigt.teste diese in sechs weiteren Experimententen mit insgesamt 595 Teilnehmern. Basierend auf den Ergebnissen dieser Experimente können die meisten der getesteten Randbedingungen als Erklärung für das Auftreten des Effektes ausgeschlossen werden. Die Ergebnisse einer sich daran anschließenden Meta-Analyse veröffentlichter und unveröffentlichter Daten zeigt jedoch, dass der Unterschied zwischen Studien die einen Effekt nachweisen und solchen, in denen kein Effekt auftritt, vermutlich nicht allein durch Zufallsprozesse erklärbar ist. Demnach ist eine Suche nach weiteren Randbedingungen in zukünftiger Forschung gerechtfertigt. / This dissertation explores the so-called too-much-choice effect, according to which an overabundance of options eventually leads to negative consequences, such as a diminished motivation to choose any of them or a decreased satisfaction with the finally chosen alternative. While strong instances of this effect have been found in a small number of studies in the past, its theoretical underpinnings are still unspecific. Because the effect challenges basic axioms of rational choice theory and it also has important implications for applied fields such as marketing and public policy making, it is important to get a better understanding of the mechanisms that lead to the effect. As a starting point to test these mechanisms, an experimental paradigm is needed in which the effect reliably occurs. Therefore, I first strived to replicate previous experiments that reported large effect sizes. Yet in a series of three replications in the field and in the lab with a total of 850 participants, I did not find an effect of too much choice, suggesting that the effect is less robust than previously thought and that it depends on certain boundary conditions instead. To find out which specific conditions are necessary to reliably elicit it, I subsequently examined several boundary conditions in a series of six laboratory experiments. Based on the results of these experiments with a total of 595 participants, most of the tested boundary conditions could be ruled out as explanations of why and when the effect of too much choice occurs. The results of a meta-analysis of published and unpublished data including my own suggest that the effect of too much choice is smaller than previously thought and that the differences between the studies that found the effect and those that did not cannot be explained by mere chance. As a consequence, a further search for moderator variables in future research seems justified.

In this thesis, a new approach for generating reaction time predictions for Bayesian cognitive models of sequential decision-making is proposed. The method is based on a Markov chain Monte Carlo algorithm that, by utilizing prior distributions and likelihood functions of possible action sequences, generates predictions about the time needed to choose one of these sequences. The plausibility of the reaction time predictions produced by this algorithm was investigated for simple exemplary distributions as well as for prior distributions and likelihood functions of a Bayesian model of habit learning. Simulations showed that the reaction time distributions generated by the Markov chain Monte Carlo sampler exhibit key characteristics of reaction time distributions typically observed in decision-making tasks. The introduced method can be easily applied to various Bayesian models for decision-making tasks with any number of choice alternatives. It thus provides the means to derive reaction time predictions for models where this has not been possible before. / In dieser Arbeit wird ein neuer Ansatz zum Generieren von Reaktionszeitvorhersagen für bayesianische Modelle sequenzieller Entscheidungsprozesse vorgestellt. Der Ansatz basiert auf einem Markov-Chain-Monte-Carlo-Algorithmus, der anhand von gegebenen A-priori-Verteilungen und Likelihood-Funktionen von möglichen Handlungssequenzen Vorhersagen über die Dauer einer Entscheidung für eine dieser Handlungssequenzen erstellt. Die Plausibilität der mit diesem Algorithmus generierten Reaktionszeitvorhersagen wurde für einfache Beispielverteilungen sowie für A-priori-Verteilungen und Likelihood-Funktionen eines bayesianischen Modells zur Beschreibung von Gewohnheitslernen untersucht. Simulationen zeigten, dass die vom Markov-Chain-Monte-Carlo-Sampler erzeugten Reaktionszeitverteilungen charakteristische Eigenschaften von typischen Reaktionszeitverteilungen im Kontext sequenzieller Entscheidungsprozesse aufweisen. Das Verfahren lässt sich problemlos auf verschiedene bayesianische Modelle für Entscheidungsparadigmen mit beliebig vielen Handlungsalternativen anwenden und eröffnet damit die Möglichkeit, Reaktionszeitvorhersagen für Modelle abzuleiten, für die dies bislang nicht möglich war.