De relatie tussen keuzegedrag en self-efficacy : een EZ-diffusion-model analyse

De relatie tussen

keuzegedrag en

self-efficacy

EEN EZ-DIFFUSION-MODEL ANALYSE

LIZA

INGENHOEST

2

De relatie tussen keuzegedrag en self-efficacy

Liza Ingenhoest Universiteit van Amsterdam

Studentnummer: 10543341 Universiteit van Amsterdam

Eindversie Bachelorproject Studiejaar: 2016/2017 Inleverdatum: 30-06-2017 Aantal woorden Abstract: 130 Aantal woorden: 5249

Studie: Psychologie voltijd Bachelor

Specialisatie: Psychologische methodenleer Begeleider: Leendert van Maanen

3

Abstract

In dit onderzoek werd de relatie tussen keuzegedrag en self-efficacy onderzocht. Hierbij werd keuzegedrag aan de hand van een EZ-diffusion model geanalyseerd en werd de mate van

self-efficacy aan de hand van de General Self-self-efficacy Scale onderzocht. In dit onderzoek werd bij

45 deelnemers een expanded judgement-taak, een simpele perceptuele

twee-keuzemogelijkheid reactietijd taak, afgenomen. Uit de resultaten kon geen relatie tussen keuzegedrag en self-efficacy aangetoond worden. Zo bleken individuen met uiteenlopende maten van self-efficacy niet te verschillen in parameters van het EZ-diffusion model. De resultaten uit dit onderzoek impliceren dat er geen relatie tussen keuzegedrag, waarin simpele evidentieaccumulaties plaatsvinden, en efficacy. Hieruit kan worden afgeleid dat

self-efficacy slechts invloed heeft op complexe keuzes, keuzes die grote cognitieve capaciteiten

4

Inleiding

Elke dag nemen miljoenen mensen meerdere beslissingen. Sommige beslissingen zijn van groot belang voor een individu, zoals het aannemen van een nieuwe baan. Andere

beslissingen zijn relatief onbeduidend en snel genomen, zoals het wel of niet drinken van nog een kop koffie. Hoewel ogenschijnlijk simpel of juist complex, volgens Vohs et al. (2008) is het nemen van een beslissing een inspannend intern cognitief proces. Hierbij wordt informatie voor verschillende alternatieven tegen elkaar afgewogen, totdat er een alternatief als meest beloftevol ingeschat wordt (Mulder et al., 2013). Daarnaast speelt in een wereld vol

beslissingen een ander aspect een niet te onderschatten rol, namelijk de duizelingwekkende hoeveelheid van alternatieven. Een voorbeeld hiervan is het feit dat Starbucks zijn klanten op 19.000 verschillende manieren koffie aanbiedt (Park & Jang, 2013). Volgens Scheibehenne, Greifeneder en Todd (2009) brengt een grote hoeveelheid mogelijke keuzes negatieve

consequenties met zich mee. Tevens zou te veel keuze een contraproductief, stressvol en veel vergend effect op de mensen hebben (Mogilner, Rudnick, & Iyengar, 2008; Park & Jang, 2013; Scheibehenne et al., 2009). Om een accurate beslissing te kunnen nemen, moet er voorafgaand aan de beslissing voldoende informatie verzameld worden om een alternatief te kunnen kiezen (Ratcliff, 1978). Het verzamelen van een grote hoeveelheid informatie leidt tot een meer accurate beslissing, maar tevens tot een langzamere beslissing. Dit wordt

speed-accuracy tradeoff genoemd (Ratcliff, 1978; Ratcliff & McKoon, 2008; Wickelgren, 1977).

Bij elke beslissing wordt de beslisser in kwestie geconfronteerd met een dergelijke tradeoff (Ratcliff, 1978). De vraag is hoe verschillende individuen met deze tradeoff omgaan, en of er verschillen tussen individuen zijn bij het nemen van beslissingen. Een belangrijk aspect waarin individuen kunnen verschillen en dat met keuzegedrag te maken zou kunnen hebben, is self-efficacy. Self-efficacy is de overtuiging van een individu dat eigen acties

verantwoordelijk zijn voor succesvolle uitkomsten en de overtuiging dat een individu controle heeft over de uitdagingen die de omgeving stelt (Bandura, 1977; Hiller & Hambrick, 2005; Fosse, Buch, Säfvenbom, & Martinussen, 2015). Zo zou men logischerwijs aan kunnen nemen dat individuen met uiteenlopende mate van self-efficacy verschillen in keuzegedrag. In dit onderzoek werd de veronderstelde relatie tussen keuzegedrag en self-efficacy onderzocht.

Volgens Bandura (1977) hebben individuen met een hoge mate van self-efficacy vertrouwen om hindernissen te kunnen bedwingen en om succesvol te kunnen presteren.

5

beslissingsprocessen van individuen (Bandura 1977; Bandura & Locke, 2003). Daarnaast gebruiken individuen met een hoge mate van self-efficacy bij het maken van beslissingen hun cognitieve capaciteiten beter dan individuen die aan hun eigen vaardigheden twijfelen

(Bandura, 1993). Perceptie is volgens Bandura, Barbaranelli, Caprara, and Pastorelli (2001) een centraal aspect van efficacy. Zo kunnen individuen met een hoge mate van

self-efficacy, succes goed visualiseren en hebben hiermee een grotere kans op succes dan

individuen met een lage mate van self-efficacy. In onderzoek van Kruger en Dickson (1994) bleek eveneens dat individuen met een hoge mate van self-efficacy meer risico nemen, omdat deze individuen ervan overtuigd zijn dat zij risico's aankunnen en bekwaam zijn deze te overwinnen. Eveneens passen volgens Bandura (2012) individuen hun doelen aan, afhankelijk van of zij zichzelf bekwaam achten om een bepaalde taak te voltooien. Zo heeft self-efficacy invloed op de efficiëntie en effectiviteit bij het oplossen van problemen en nemen van

beslissingen. Wel bleek uit onderzoek van Bandura (1986) dat individuen met een hoge mate van self-efficacy de neiging hebben om te moeilijke taken aan te gaan. Bij te hoge

moeilijkheid in combinatie met een hoge mate van self-efficacy zou er gesproken kunnen worden van een overschatting van de eigen vaardigheden (Bandura, 1986). Dit effect werd eveneens aangeduid in het onderzoek van Ede, Sullivan en Feltz (2017). Zo stelden zij dat er geen sprake was van een lineair verband tussen de mate van self-efficacy en prestatie.

Wetenschappelijk onderzoek ondersteunt zodoende dat een goede prestatie en een matige mate van self-efficacy het meest efficiënt zijn. Dit omdat individuen met een te hoge mate van

self-efficacy geneigd zijn hoogmoedig gedrag te vertonen. Uit het onderzoek van Bandura en

Jourden (1991) is eveneens gebleken dat individuen, die succesvol waren bij een beslissingstaak en een hoge mate van self-efficacy vertoonden, hoogmoedig werden.

Het proces van keuzes maken, kan omschreven worden aan de hand van het

Drift-Diffusion model (DDM) (Ratcliff ,1978; Ratcliff & McKoon, 2008). Het DDM is een model

dat processen verklaart die betrokken zijn bij simpel perceptueel keuzegedrag tussen twee alternatieven, waarbij de keuze berust op geaccumuleerde evidentie over tijd (Germar, Schlemmer, Krug, Voss, & Mojzisch, 2014; Mulder et al., 2013; Pedersen, Frank, & Biele, 2016; Ratcliff, 1978; Ratcliff, Thapar, Gomez, & McKoon, 2004; Ratcliff & McKoon, 2008; Starns & Ratcliff, 2010; Voss, Nagler, & Lerche, 2013). Het DDM veronderstelt dat het beslissen tussen twee keuzes als een continu fluctuerend proces verloopt totdat een van de twee grenswaarden is bereikt, dit is het moment waarop de beslissing wordt genomen (Mulder

6

et. al, 2010; Voss, Rothermund, & Voss, 2004). Hierbij is het van belang dat het keuzegedrag als een simpele evidentieaccumulatie omschreven kan worden en geen complexe cognitieve processen omvat (Ratcliff et al., 2004). In verschillende eerdere onderzoeken is het DDM succesvol op simpele twee-keuzemogelijkheid reactietijdtaken paradigma's toegepast (Ratcliff, 2002; Ratcliff & McKoon, 2008; Ratcliff & Smith, 2010; Ratcliff et al., 2004; Mulder et al., 2013; Ratcliff & Rouder, 1998; Ratcliff, van Zandt, & McKoon, 1999;

Wagenmakers, Ratcliff, Gomez, & McKoon, 2008). Uit bovenstaande onderzoeken blijkt dat het DDM een goede fit van de respons-accuraatheid en de geobserveerde reactietijdverdeling voor correcte en incorrecte responsen weergaf (Wagenmakers, 2009). In het onderzoek van Wagenmakers (2009) worden enkele voordelen van het DDM genoemd. Zo geeft het DDM weer hoe reactietijd gerelateerd is aan accuraatheid en geeft het model uitleg hoe deze twee variabelen kunnen veranderen. Daarnaast geeft het model niet alleen de gemiddelde

reactietijden voor correcte responsen weer, maar kunnen metingen als de proportie correcte responsen, de reactietijdverdeling voor correcte responsen en de reactietijd verdeling voor incorrecte responsen door het DDM weergegeven worden (Ratcliff, 1978; Wagenmakers, 2009). Tevens kunnen verschillende componenten van keuzegedrag als afzonderlijke

parameters uit het model geëxtraheerd worden en zo onderliggende psychologische processen verklaren (Voss et al., 2013; Voss et al., 2004; Pedersen et al., 2016). Echter, het DDM wordt volgens Wagenmakers, Van der Maas en Grasman (2007) zelden voor psychometrische analyses gebruikt. Volgens de wetenschappers komt dit doordat de vrije parameters van het DDM moeilijk te fitten zijn. Daarnaast benoemen meerdere wetenschappers dat het fitten van de DDM-parameters een wiskundig complex proces is (Lerche & Voss, A, 2016; Ratcliff & Tuerlinckx, 2002; Vandekerckhove & Tuerlinckx, 2007; van Ravenzwaaij, Donkin, &

Vandekerckhove, 2017; Voss et al., 2013; Wagenmakers et al., 2007). Om deze reden hebben Wagenmakers et al. (2007) een vereenvoudigd DDM ontworpen: het EZ-diffusion model.

Het EZ- diffusion model omvat volgens Wagenmakers et al. (2007) enkel parameters welke voor psychologische processen relevant zijn. Dit zijn de accumulatiesnelheid (ʋ), de afstand tussen de grenswaarden (a) en de niet-beslissingstijd (T er). Het EZ-diffusion model is weergegeven in figuur 1.

7

Figuur 1. Het EZ-diffusion model (Ravenzwaaij, Donkin, & Vandekerckhove, 2017).

De accumulatiesnelheid oftewel de drift-rate (ʋ) representeert de kwaliteit, sterkte of informatie van een stimulus (Ratcliff & McKoon, 2008). Eveneens representeert de

accumulatiesnelheid hoe gemakkelijk een individu evidentie uit een stimulus extraheert (Cohen-Gilbert et al., 2014). Wanneer de accumulatiesnelheid hoog is, zijn de betreffende beslissingen aan te merken als snel en accuraat. Indien de accumulatiesnelheid laag is, kan het beslissingsgedrag fluctueren en resulteert de keuze in een minder snelle en minder accurate keuze (Wagenmakers, 2009). De accumulatiesnelheid verschilt volgens Ratcliff en McKoon (2008) per stimulus, waarbij de stimulus tussen condities kan verschillen in moeilijkheid. De grenswaarden, ook wel boundaries separation (a) genoemd, worden gerepresenteerd door de afstand tussen de ondergrens 0 en de bovengrens a. Deze afstand geeft de

responsterughoudendheid weer en modelleert de speed-accuracy tradeoff (Wagenmakers, 2009). Daarnaast representeert de afstand de benodigde hoeveelheid geaccumuleerde

evidentie voor het nemen van een beslissing (Starns & Ratcliff, 2010). Wanneer een beslisser geen fouten wil maken, wordt de afstand tussen grenswaarden vergroot. Dit leidt tot minder snelle maar meer correcte responsen. Als de afstand tussen de grenswaarden afneemt, is de reactietijd sneller en worden minder correcte responsen gegeven (Ratcliff & McKoon, 2008; Starns & Ratcliff, 2010). De niet-beslissingstijdcomponent van de reactietijd wordt binnen het

EZ-diffusion model weergegeven door de variabele Ter. Wagenmakers et al. (2007) geven als voorbeeld de tijd van het visuele encoderen van een stimulus en de tijd die nodig is voor

8

geven van een motorrespons. In figuur 1 wordt duidelijk dat deze parameter losstaat van de beslissingscomponent van keuzegedrag. Volgens Wagenmakers et al. (2007) kan keuzegedrag met het EZ-diffusion model makkelijk gemodelleerd worden en is het fitten van parameters niet meer nodig.

Modellen als het DDM en het EZ-diffusion model kunnen het proces van

informatieaccumulatie, welke nodig is voor keuzegedrag, aan de hand van afzonderlijke parameters weergeven (Wagenmakers et al.,2007). Op basis van een DDM-analyse zijn verschillen tussen individuen in keuzegedrag in eerdere onderzoeken aangetoond. Zo bleek dat cognitieve processen van ouderen geen vertraagde processen waren, maar dat het keuzegedrag van ouderen conservatiever was dan dat van jongeren (Dutilh, Forstmann, Vandekerckhove, & Wagenmakers, 2013; Ratcliff, 2008; Ratcliff & McKoon, 2008; Ratcliff et al., 2004; Ratcliff et al., 2010; Starns & Ratcliff, 2010). De DDM-analyse liet zien dat ouderen een verhoogde niet-beslissingstijdcomponent hadden, dat ouderen een grotere afstand tussen grenswaarden kozen ten opzichte van jongeren en dat ouderen meer waarde hechten aan het maken van minder fouten. Dit is een voorbeeld waaruit blijkt dat individuen ofwel snelheid boven accuraatheid ofwel accuraatheid boven snelheid kunnen verkiezen bij het nemen van beslissingen en dat er sprake is van individuele verschillen in keuzegedrag (Ratcliff, 2008). Deze individuele verschillen werden eveneens aangetoond in eerder

onderzoek van White, Ratcliff, Vasey en McKoon (2010). Hieruit is gebleken dat individuen met een hoge mate van angst na het geven van een incorrect respons, daaropvolgend meer terughoudendheid toonden bij het geven van een later respons dan individuen met een lage mate van angst. Zo kon aan de hand van het DDM geconcludeerd worden dat individuen met een lage mate van angst de afstand tussen de grenswaarden na het geven van een incorrect respons vergroot hadden. In het onderzoek van Mulder et al. (2008) werd aangetoond dat individuen met ADHD een maladaptieve aanpassing van de grenswaarden maakten. Deze eerdere onderzoeken lieten zien dat het keuzegedrag van individuen goed te analyseren is aan de hand van modellen zoals het DDM of het EZ-diffusion model. Zo bleek uit de analyses dat individuen op verschillende manieren invloed hadden op keuzegedrag en dat individuen verschillende parameters van het model aangepast hadden.

In voorliggend onderzoek werd de relatie tussen keuzegedrag en self-efficacy onderzocht. Het keuzegedrag werd aan de hand van een perceptuele beslissingstaak, een

9

zogenaamde expanded judgement-taak, onderzocht. Daarnaast werd bij alle deelnemers een vragenlijst met betrekking tot self-efficacy afgenomen. Aan de hand van eerder onderzoek is te verwachten dat individuen verschillen in keuzegedrag vertonen en dat de mate van

self-efficacy hierop van invloed is. Om dit mogelijke verband te onderzoeken werd naar de relatie

tussen keuzegedrag en self-efficacy gekeken. Zo zou de mate van self-efficacy invloed kunnen hebben op verschillende componenten van keuzegedrag. Deze invloed zou aan de hand van een EZ-diffusion model analyse te herleiden zijn. Dienovereenkomstig werd verwacht dat individuen met een hoge mate van self-efficacy, dat wil zeggen individuen die overtuigd zijn van hun vaardigheid, minder evidentie verzamelen voor het maken van een beslissing en zo een kleine afstanden tussen de grenswaarden in het EZ-diffusion model terug te zien zouden zijn. Daarentegen werd verwacht dat individuen met een lage mate van self-efficacy

terughoudend zijn in het nemen van een beslissing en de afstand tussen de grenswaarden groot is. Daarnaast werd verwacht dat individuen die een lage accumulatiesnelheid vertonen en een maladaptieve afstand tussen grenswaarden kiezen, hun eigen vaardigheid overschatten. Dit zou verwijzen naar individuen met een hoge mate van self-efficacy, een lage

accumulatiesnelheid, een kleine afstand tussen de grenswaarden en veel incorrecte responsen. Deze verwachtingen zijn echter nog niet in eerder onderzoek onderzocht en om dit te kunnen aanemen is het van belang om het EZ-diffusion model toe te passen op individuen met

verschillende mate van self-efficacy. Hierom werd in dit onderzoek gekeken naar (a) de relatie tussen de mate van self-efficacy en de afstand tussen de grenswaarden, (b) naar de relatie tussen de mate van self-efficacy en de accumulatiesnelheid en (c) of de mate van self-efficacy overeenkomen met een adequate aanpassingen van parameters in keuzegedrag.

Methode

Deelnemers

Om de relatie tussen keuzegedrag en self-efficacy te onderzoeken, werden 45 deelnemers onderzocht, waarvan 26 vrouwen en 19 mannen. Hiervan was het merendeel student. De leeftijd van de deelnemers lag tussen de 18 en 30 jaar, de gemiddelde leeftijd was 22,6 jaar. Alle deelnemers volgden dezelfde onderzoeksprocedure. Voorafgaand aan het onderzoek werd geregistreerd of deelnemers links- of rechtshandig waren. Zo waren 35 deelnemers

10

rechtshandig en 9 deelnemers linkshandig. Voor deelname aan het onderzoek kregen

eerstejaarsstudenten Psychologie van Universiteit van Amsterdam één proefpersoonpunt als vergoeding. Alle andere deelnemers kregen geen vergoeding voor deelname aan dit

onderzoek.

Materiaal

De mate van self-efficacy werd in dit onderzoek gemeten met behulp van de

Nederlandse versie van de General Self-efficacy Scale, ontwikkeld door Teeuw, Schwarzer en Jerusalem (1994). Deze vragenlijst bestaat uit een tiental items die op een vierpunts Likert-schaal gescoord worden. Hierbij komt 1 overeen met “volledig onjuist” en komt een score gelijk aan 4 overeen met “volledig juist”. De totaalscore wordt verkregen door het optellen van alle itemscores. De maximale totaalscore is gelijk aan 40 en de minimale totaalscore is gelijk aan 10. Het populatiegemiddelde van de totaalscore is gelijk aan een score van 29 (Dijcks & Joeris, 2012). Op basis hiervan wordt een score boven 29 gezien als

corresponderend met een hoge mate self-efficacy en komt een lagere score overeen met een lage mate van self-efficacy (Dijcks & Joeris, 2012). Voorbeeldvragen zijn: “Ik vertrouw erop dat ik onverwachte gebeurtenissen doeltreffend aanpak.” en “Wat er ook gebeurt, ik kom er wel uit”. Zie Appendix A voor de gehele vragenlijst. Volgens Dijcks en Joeris (2012) vertoont de General Self-efficacy Scale voldoende validiteit en hoge interne consistentie. Eveneens is test-hertest betrouwbaarheid van de General Self-efficacy Scale hoog (Dijcks & Joeris, 2012).

Keuzegedrag werd in dit onderzoek gemeten aan de hand van een perceptuele

beslissingstaak, een expanded judgement-taak. Tijdens het onderzoek kregen deelnemers twee flikkerende vierkantjes op een beeldscherm te zien. Deze vierkantjes flikkerden met een bepaalde rate. Hierbij werden de deelnemers gevraagd aan te geven welk vierkant de hoogste

rate had. Deze taak werd met behulp van het programma PsychoPy samengesteld. PsychoPy

is een software voor taken met eenvoudige visuele stimuli (Peirce, 2007).

De analyse van keuzegedrag werd in dit onderzoek op basis van het EZ-diffusion model uitgevoerd. Het EZ-diffusion model veronderstelt dat individuen evidentie voor een keuze accumuleren totdat een grenswaarde is bereikt (van Ravenzwaaij et al., 2017). De duur van deze evidentieaccumulatie en de niet-beslissingstijdcomponent vormen samen de

11

gemiddelde reactietijd, de reactietijdvariantie en het percentage correcte responsen in drie fundamentele diffusiemodel parameters. Deze parameters zijn de accumulatiesnelheid (ʋ), de afstand tussen de grenswaarden (a) en de niet-beslissingstijd (Ter). Hierbij worden de andere Ratcliff diffusie-parameters vereenvoudigd. Zo wordt de assumptie gemaakt dat het beginpunt (z) gelijk staat aan a/2. Dit betekent dat in het EZ-diffusion model de afstand tussen het

beginpunt (z) en de bovengrens even groot is als de afstand tussen beginpunt (z) en de ondergrens. Daarnaast zijn in het EZ-diffusion model de over-trails variabiliteit ƞ, sz en st gelijk aan nul gesteld. Volgens Wagenmakers et al. (2007) kan keuzegedrag met het

EZ-diffusion model makkelijk gemodelleerd worden en is het fitten van parameters niet meer

nodig. Aan de hand van drie vergelijkingen kunnen de accumulatiesnelheid (ʋ), de afstand tussen de grenswaarden (a) en de niet-beslissingstijd Ter geschat worden (Wagenmakers, 2009), zie Appendix B.

Procedure

Voor de deelnemers was het doel van het onderzoek niet bekend. Wel hadden alle deelnemers voorafgaand aan het onderzoek ingestemd met deelname aan het onderzoek, en eveneens waren zij voorafgaand geïnformeerd over de tijdsduur. Tijdens het onderzoek ondergingen alle deelnemers dezelfde procedure. Ook werd voorafgaand het geslacht, de leeftijd en of deelnemers links- of rechtshandig waren genoteerd. Het onderzoek bestond uit enkele verschillende stappen welke in figuur 2 zijn weergegeven. Naast de stellingen omtrent

self-efficacy werd tijdens dit onderzoek eveneens een vragenlijst met betrekking tot

neuroticisme afgenomen. Dit was voor dit onderzoek niet van belang en behoren tot een ander onderzoek.

Figuur 2. De verschillende onderdelen van het onderzoek.

Alle onderdelen van het onderzoek werden op het beeldscherm specifiek toegelicht, de proefleiders gaven tijdens de taken geen verdere uitleg. Op het beginscherm werden de

12

van het onderzoek aan de deelnemers werd uitgelegd. Door op de spatietoets te klikken begon het eerste onderdeel. Dit bestond uit een tiental stellingen van de General Self-efficacy Scale. Hierbij werden de deelnemers verzocht om op een schaal aan te geven hoe zij op het moment zelf over de stelling dachten. Daarnaast werd eveneens een gedeelte van de vragenlijst over neuroticisme afgenomen. Na het beantwoorden van de stellingen werd de expanded

judgement-taak aan de deelnemers uitgelegd. Hierbij gaven de deelnemers aan welke van de

twee vierkanten op het beeldscherm het meest frequent flikkerde. Dit deden de deelnemers door zodra zij het antwoord dachten te weten, de z-toets voor het linker vierkant of op de m-toets voor het rechter vierkant in te drukken. De frequentie van het flikkeren was willekeurig over de twee vierkanten verdeeld. Eerst kregen de deelnemers de kans om aan de hand van tien oefentrials te oefenen. Daarna volgde het eerste deel van de perceptuele beslissingstaak, welke bestond uit 100 trials. Daaropvolgend werden de deelnemers wederom gevraagd om een aantal stellingen over neuroticisme te beantwoorden. Aansluitend ondergingen de deelnemers het laatste deel van het onderzoek hetgeen wederom uit een perceptuele beslissingstaak bestond: dit waren eveneens 100 trials. Aan het einde van het onderzoek werden de deelnemers bedankt voor hun inzet en participatie aan het onderzoek.

Resultaten

Alle 45 deelnemers hebben deelgenomen aan het onderzoek. Eén deelnemer bleek de vragenlijst onvolledig ingevuld te hebben. Daarnaast bleek eveneens dat deze deelnemer de beslissingstaak niet zorgvuldig had afgerond. Zo waren voor sommige trials geen responsen gegeven en waren de reactietijden tijdens het tweede blok te snel, onder 0.1 seconde. Om deze reden zijn de gegevens van deze deelnemer niet meegenomen in de verdere data-analyse. De overgebleven gegevens van de 44 deelnemers zijn wel meegenomen in de analyse.

In het begin van de beslissingstaak beantwoordden de deelnemers een tiental stellingen over self-efficacy op een vierpunts Likert-schaal (M = 3.02, SD=0.42). Daarnaast werd voor elke deelnemer de proportie correcte responsen (M = 0.88, SD=0.06), de

gemiddelde reactietijd voor correcte responsen (M = 0.89, SD=0.33) en de variantie van de reactietijd voor correcte responsen (M = 0.23, SD=0.26) berekend. Vervolgens werd aan de hand van drie assumpties gecontroleerd of er sprake van verkeerde modelspecificatie van het

13

slechts van toepassing is als de reactietijden positief rechtsscheef verdeeld zijn, als de reactietijden voor correcte responsen niet afwijken van de reactietijden voor incorrecte responsen en als er geen sprake was van een priori bias. De assumptie van een rechtsscheef verdeelden reactietijden werd in dit onderzoek niet geschonden (rechtsscheef verdeeld voor gemiddelde incorrecte responsen = 0.8764, rechtsscheef verdeeld voor incorrecte responsen = 1.6990). Uit de resultaten bleek er eveneens geen significant verschil tussen reactietijden voor correcte responsen (M = 0.89, SD = 0.33) en voor incorrecte responsen (M = 0.87, SD = 0.37) te zijn, t(43) = 0.924, p = .361. Het EZ-diffusion model stelt dat binnen een

twee-keuzemogelijkheid reactietijd taak beide stimuluscategorieën a priori even aantrekkelijk zijn. Zo kan aangenomen worden dat het beginpunt (z) gelijk is aan a/2 en dat er geen sprake is van verschil tussen wat de grenswaardes representeren (Wagenmakers et al., 2007). Omdat er mogelijk een verschil zou kunnen zijn tussen deelnemers dat samenhangt met links- of rechtshandigheid, werd hiervoor gecontroleerd. Om te controleren of er sprake was van priori bias in aantrekkelijkheid van de categorieën werd de relatieve reactietijd van correcte en incorrecte responsen van de categorieën vergeleken. Uit de resultaten bleek dat reactietijden van rechtshandige deelnemers voor incorrecte responsen niet significant verschilden van reactietijden voor correcte responsen, t(34) = -0.597, p = .554. Eveneens bleken reactietijden van linkshandige deelnemers voor incorrecte responsen niet significant te verschillen van reactietijden voor correcte responsen, t(8) = -0.684, p = .513. Op basis van deze controles mag aangenomen worden dat het EZ-diffusion model in dit geval gebruikt kon worden.

Hierna is een EZ-diffusion analyse uitgevoerd waaruit voor elke deelnemer de

accumulatiesnelheid (v), de afstand tussen de grenswaardes (a) en de niet-beslissingstijd (Ter) componenten extraheert kon worden. Zie Appendix B voor de vergelijkingen en voor de R-code. Een Pearson Correlatie toets is uitgevoerd tussen de mate van self-efficacy en afstand tussen de grenswaardes (a). Uit de resultaten bleek dat de correlatie tussen de mate van

self-efficacy en afstand tussen de grenswaardes (a) niet significant was, r (42) = 0.216, p =.159.

Omdat deze bevindingen niet met de verwachtingen overeenkwamen, is tevens een

Bayesfactor berekend. Hierbij is een intercept-only model vergeleken met een lineair model. Uit de resultaten bleek dat een lineair model 1.5 keer aannemelijker was dan een

intercept-only model. Hieruit bleek eveneens dat er weinig evidentie was voor een effect binnen het

lineaire model. In figuur 3 wordt zichtbaar dat er geen verschil bleek te zijn tussen de afstanden van grenswaardes (a) van deelnemers die een hogere self-efficacy totaalscore

14

hadden dan het populatiegemiddelde, welke gelijk staat aan een totaalscore hoger dan 29 en de afstanden van grenswaardes van deelnemers die een lager self-efficacy totaalscore hadden dan het populatiegemiddelde.

Figuur 3. Links: een scatterplot die de relatie tussen de afstand tussen grenswaardes (a) en self-efficacy totaalscore weergeeft. Rechts: een scatterplot die de relatie tussen

accumulatiesnelheid (v) en self-efficacy totaalscore weergeeft. De zwarte lijnen geven de lineaire regressie weer.

Daarnaast is er een Pearson Correlatie test uitgevoerd om de relatie tussen de mate van

self-efficacy en accumulatiesnelheid (v) vast te stellen. Deze was negatief en eveneens niet

significant, r (42) = -0.012, p =.937. Figuur 3 geeft deze bevinding weer. Tevens werd verwacht dat individuen met een hoge mate van self-efficacy wellicht maladaptieve

aanpassingen van parameters binnen het EZ-diffusion model zouden maken. Zo zou een lage accumulatiesnelheid (v) en een kleine afstand tussen de grenswaarde (a) erop wijzen dat deelnemers hun eigen vaardigheid overschatten. Eveneens werd verwacht dat hoge mate van

self-efficacy zou correleren met een lage proportie correcte responsen (Pc). Uit figuur 4 en de

resultaten bleek echter dat er geen sprake van maladaptieve aanpassingen van parameters was voor deelnemers met een hoge mate van self-efficacy. Zo bleek er geen significant verband te zijn tussen de mate van self-efficacy en proportie correct responsen (Pc), r (42) = 0.129, p =.405. Wel bleek het verband tussen accumulatiesnelheid (v) en afstand tussen de

grenswaardes (a) significant, r (42) = -0.569, p < .001. Uit figuur 4 blijkt bovendien duidelijk dat de mate van self-efficacy geen invloed heeft op de parameters van het EZ-diffusion model.

15

Figuur 4. Het verband tussen de afstand tussen grenswaardes (a) en de accumulatiesnelheid

(v) voor deelnemers met verschillende mate van self-efficacy.

Discussie

In dit onderzoek werd de relatie tussen keuzegedrag en self-efficacy onderzocht. Hierbij werd self-efficacy aan de hand van de General Self-efficacy Scale gemeten.

Keuzegedrag werd aan de hand van een expanded judgement-taak gemeten en op basis van het EZ-diffusion model geanalyseerd. Tevens werden twee parameters uit het EZ-diffusion model geëxtraheerd, de afstand tussen de grenswaarde (a) en de accumulatiesnelheid (v). Aan de hand van deze parameters werd keuzegedrag onderzocht. In dit onderzoek werd gekeken naar de relatie tussen de mate van self-efficacy en de afstand tussen de grenswaarden, naar de relatie tussen de mate van efficacy en de accumulatiesnelheid en of de mate van

self-efficacy overeenkomt met een adequate aanpassingen van parameters van keuzegedrag. Uit de

resultaten kon geen relatie tussen de mate van self-efficacy en de afstand tussen de

grenswaarden aangetoond worden. Zo was er geen sprake van een vergrote afstand tussen de grenswaarden voor deelnemers met een lage mate van self-efficacy ten opzichte van

deelnemers met een hoge mate van self-efficacy. Eveneens bleek er uit de resultaten geen relatie tussen de mate van self-efficacy en de accumulatiesnelheid te bestaan. Tenslotte kon geen maladaptieve aanpassing van parameters voor deelnemers met een hoge mate van self-efficacy aangetoond worden. Deelnemers met een hoge mate van self-self-efficacy bleken geen hoogmoedig gedrag te vertonen.

16

voor succesvolle uitkomsten en de overtuiging dat een individu controle heeft over de uitdagingen die de omgeving stelt (Bandura, 1977). Volgens Bandura en Locke (2003) reguleert self-efficacy cognitieve, motivationele, emotionele en beslissingsprocessen van individuen. Zo bleek self-efficacy van invloed te zijn op gedachtenpatronen en een bepalende rol te spelen bij handelingen en beslissingen die individuen uitvoeren (Bandura, 2012). Daarnaast bleek uit eerder onderzoek dat een hoge mate van self-efficacy een positief effect had op beslissingen binnen career decision making en sport decision making(Cherian & Jacob, 2013; Ede, Sullican, & Feltz, 2017; Fosse et al., 2015). Zo zouden individuen hun doelen bijstellen afhankelijk van de mate van self-efficacy (Bandura, 2012). Tevens werden individuele verschillen op het gebied van accuracy-tradeoff in eerdere onderzoeken

aangetoond. Op basis hiervan werd verwacht dat individuen met uiteenlopende mate van

self-efficacy verschilden in keuzegedrag door verschillende parameteraanpassingen binnen het EZ-diffusion model te maken. In dit onderzoek kon geen verband tussen de mate van self-efficacy

en de afstand tussen de grenswaardes aangetoond worden. Eveneens was er geen sprake van een verband tussen de mate van self-efficacy en de accumulatiesnelheid. Daarnaast kon niet aangetoond worden dat individuen met een hoge mate van self-efficacy hoogmoedig gedrag vertoonden. In het voorliggend onderzoek kon concluderend geen steun gevonden worden voor de relatie tussen keuzegedrag en de mate van self-efficacy. In de volgende paragrafen worden mogelijke oorzaken voor het uitblijven van de voorspelde relaties nader toegelicht.

Een reden hiervoor zou kunnen zijn dat deelnemers in dit onderzoek hoge totaalscores op de General Self-efficacy Scale behaalden. Zo kon in dit onderzoek weinig spreiding binnen de mate van self-efficacy aangetoond worden en bleek de gemiddelde totaalscore hoger dan 29 te zijn. Volgens Dijcks en Joeris (2012) staat een totaalscore hoger dan 29 gelijk aan een hoge mate van self-efficacy. De hoge totaalscores op de General Self-efficacy Scale komen echter wel overeen met eerdere onderzoeken. Hieruit bleken de gemiddelde totaalscores eveneens boven 29 te zijn (Mystakidou et al., 2010; Scholz, Doña, Sud, & Schwarzer, 2002). Wel waren de steekproefgroottes in bovenstaande onderzoeken groter en konden de

onderzoekers een verschil tussen individuen met uiteenlopende hoge mate van self-efficacy aantonen. Zo zou het voor vervolgonderzoek van belang kunnen zijn om de General Self-efficacy Scale bij meer deelnemers af te nemen om een wellicht verschil tussen individuen met verschillende mate van self-efficacy te kunnen vaststellen. Daarnaast zou hierdoor meer spreiding onder de deelnemers met een hoge mate van self-efficacy kunnen ontstaan en het

17

onderscheid tussen deze individuen onderzocht kunnen worden. Het onderzoeken van een grotere steekproef zou eveneens de power van het onderzoek vergroten.

Een andere reden voor het uitblijven van de veronderstelde relaties zou kunnen zijn dat er slechts weinig incorrecte responsen werden gegeven. Zo waren 88% van de responsen correct in het huidige onderzoek. Dit zou kunnen verwijzen naar het feit dat de

moeilijkheidsgraad van de keuzetaak te laag was om de relatie tussen keuzegedrag en de mate van self-efficacy te kunnen onderzoeken. In eerder onderzoek kon daarentegen aangetoond worden dat individuen met een hoge mate van self-efficacy hoogmoedig gedrag vertoonden bij het maken van keuzes (Bandura & Jourden, 1991; Ede, Sullivan, & Feltz, 2017). Om die reden werd in het huidige onderzoek verwacht dat deelnemers met een hoge mate van

self-efficacy hun eigen vaardigheid overschatten en maladaptieve parameteraanpassingen binnen

het EZ-diffusion model zouden laten zien. Bovendien werd verwacht dat maladaptieve parameteraanpassingen in het geven van incorrecte responsen zouden resulteren. Hieruit had de conclusie getrokken kunnen worden dat een matige mate van self-efficacy het meest effectief zou zijn bij het maken van een keuze en waren de bevindingen overeengekomen met eerder onderzoek. Echter, uit de resultaten bleek geen relatie tussen de mate van self-efficacy en proportie correcte responsen aangetoond te kunnen worden. De resultaten uit het huidige onderzoek komen dan ook niet overeen met de eerder gestelde verwachtingen.

Zoals in bovenstaande paragraaf werd toegelicht, was de proportie correcte responsen in dit onderzoek hoog. Dit zou mogelijk met een lage moeilijkheidsgraad van de perceptuele keuzetaak te maken kunnen hebben. Omdat in het huidige onderzoek geen relatie tussen keuzegedrag en de mate van self-efficacy aan de hand van een simpele perceptuele twee-keuzemogelijkheid reactietijdtaak aangetoond kon worden, ligt het voor de hand om op basis van de resultaten te stellen dat deze relatie niet bestaat. Echter stelt zich de vraag of de relatie tussen keuzegedrag en de mate van self-efficacy wel aangetoond had kunnen worden als de perceptuele twee-keuzemogelijkheid reactietijdtaak complexer van aard geweest zou zijn. Zo kon in eerder onderzoek de invloed van self-efficacy op beslissingen binnen het gebied van sport of werk wel aangetoond worden (Cherian & Jacob, 2013; Ede, Sullican, & Feltz, 2017; Fosse et al., 2015). Een mogelijk verklaring hiervoor zou kunnen zijn dat omdat deze

beslissingen complex van aard waren deze grotere cognitieve capaciteiten vergden. Eveneens waren deze beslissingen voor individuen van persoonlijk belang. Een manier om complexiteit

18

aan de perceptuele twee-keuzemogelijkheid reactietijdtaak toe te kunnen voegen, is door het invoeren van een deadline tijdens de keuzetaak. Hierdoor zouden deelnemers binnen een bepaalde tijdsduur een keuze moeten maken en zou het stresscomponent extra complexiteit aan de keuzetaak kunnen toevoegen.

Uit onderzoek van Milosavljevic, Malmaud, Huth, Koch, & Rangel (2010) waarin

collapsing bounds binnen het DDM model werden geïmplementeerd, bleek dat door het

invoeren van tijdsdruk individuen de afstanden tussen de grenswaardes vergrootten en parameters aanpasten. Daarnaast kon in andere eerdere onderzoeken een positief effect van

self-efficacy op stress aangetoond worden (Bandura, 1997; Bandura & Locke, 2013). Zo bleek

dat self-efficacy de cognitieve beoordeling van stressvolle situaties medebepaalde. Bovendien bleek dat individuen met een hoge mate van self-efficacyzichzelf meer bekwaam zagen om een uitdagende taak te voltooien en overtuigd waren de stressvolle situatie te kunnen

overwinnen in tegenstelling tot individuen met een lagere mate van self-efficacy. Omdat het invoeren van tijdsdruk de perceptuele twee-keuzemogelijkheid reactietijdtaak stressvoller zou kunnen maken en uit eerder onderzoek gebleken is dat self-efficacy een positieve invloed op stress heeft, zou verwacht kunnen worden dat door het invoeren van een deadline een verschil tussen individuen met uiteenlopende mate van self-efficacy bij een perceptuele

twee-keuzemogelijkheid reactietijdtaak aangetoond zou kunnen worden. Zo zouden individuen met een hogere mate van self-efficacy beter presteren tijdens een reactietaak waarin tijdsdruk geïmplementeerd is, dan individuen met een lagere mate van self-efficacy dit zouden doen. Eveneens zou verwacht kunnen worden dat de afstand tussen de grenswaardes van individuen met een lagere mate van self-efficacy groter zullen zijn ten opzichte van de afstand tussen de grenswaardes van individuen met een hogere mate van self-efficacy. Voor vervolgonderzoek zou dit betekenen dat de relatie tussen keuzegedrag en de mate van self-efficacy aan de hand van een model met collapsing bounds onderzocht zou kunnen worden.

De bevindingen uit het huidige onderzoek suggereren dat er geen sprake is van een relatie tussen keuzegedrag en de mate van self-efficacy. Zo bleek de mate waarin individuen zichzelf in staat achten een taak succesvol te kunnen uitvoeren geen rol te spelen tijdens het maken van keuzes, waarin simpele evidentieaccumulaties plaatsvinden. De resultaten uit dit onderzoek impliceren dat self-efficacy slechts van belang is als individuen keuzegedrag vertonen, zoals bijvoorbeeld tijdens de keuze wel of niet een drukke straat over te steken;

19 keuzes die van persoonlijk- en levensbelang zijn.

20

Literatuurlijst

Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change.

Psychological Review, 84, 191-215.

Bandura, A. (1986). The explanatory and predictive scope of self-efficacy theory. Journal of

social and clinical psychology, 4, 359-373.

Bandura A. (1993). Perceived Self-efficacy in cognitive development and functioning.

Educational Psychologist, 28, 117-148.

Bandura, A. (2012). On the functional properties of perceived self-efficacy revisited. Journal

of Management, 38, 9-44.

Bandura, A., Barbaranelli, C., Caprara, G. V., & Pastorelli, C. (2001). Self‐efficacy beliefs as shapers of children's aspirations and career trajectories. Child development, 72, 187-206.

Bandura, A., & Jourden, F. J. (1991). Self-regulatory mechanisms governing the impact of social comparison on complex decision making. Journal of personality and social

psychology, 60, 941-951.

Bandura, A., & Locke, E. A. (2003). Negative self-efficacy and goal effects revisited. Journal

of applied psychology, 88, 87-99.

Cherian, J., & Jacob, J. (2013). Impact of self efficacy on motivation and performance of employees. International Journal of Business and Mangement, 8, 80-88.

Cohen‐Gilbert, J. E., Killgore, W. D. S., White, C. N., Schwab, Z. J., Crowley, D. J., Covell, M. J., ... & Silveri, M. M. (2014). Differential influence of safe versus threatening facial expressions on decision‐making during an inhibitory control task in adolescence and adulthood. Developmental science, 17, 212-223.

Dijcks, B., & Joeris, S. (2012). General Self-efficacy Scale (GSE Scale): Uitgebreide toelichting van het meetinstrument. Opgehaald 18. mei, 2017, van

https://meetinstrumentenzorg.blob.core.windows.net/test-documents/Instrument211/211_1_N.pdf

Dutilh, G., Forstmann, B. U., Vandekerckhove, J., & Wagenmakers, E. J. (2013). A diffusion model account of age differences in posterror slowing. Psychology and Aging, 28, 64. Ede, A., Sullivan, P. J., & Feltz, D. L. (2017). Self-doubt: Uncertainty as a motivating factor

21

Fosse, T. H., Buch, R., Säfvenbom, R., & Martinussen, M. (2015). The impact of personality and efficacy on academic and military performance: The mediating role of self-efficacy. Journal of Military Studies, 6, 47-65.

Germar, M., Schlemmer, A., Krug, K., Voss, A., & Mojzisch, A. (2014). Social influence and perceptual decision making a diffusion model analysis. Personality and Social

Psychology Bulletin, 40, 217-231.

Hiller, N. J., & Hambrick, D. C. (2005). Conceptualizing executive hubris: the role of (hyper-) core self‐evaluations in strategic decision‐making. Strategic Management

Journal, 26, 297-319.

Krueger, N., & Dickson, P. R. (1994). How believing in ourselves increases risk taking: Perceived self‐efficacy and opportunity recognition. Decision Sciences, 25, 385-400. Lerche, V., & Voss, A. (2016). Model complexity in diffusion modeling: Benefits of making

the model more parsimonious. Frontiers in psychology, 7, 1-14.

Milosavljevic, M., Malmaud, J., Huth, A., Koch, C., & Rangel, A. (2010). The drift diffusion model can account for the accuracy and reaction time of value-based choices under high and low time pressure. Judgement and Decision Making, 5, 437-449.

Mogilner, C., Rudnick, T., & Iyengar, S. S. (2008). The mere categorization effect: How the presence of categories increases choosers' perceptions of assortment variety and outcome satisfaction. Journal of Consumer Research, 35, 202-215.

Mulder, M. J., Bos, D., Weusten, J. M., van Belle, J., van Dijk, S. C., Simen, P., H. van Engeland & Durston, S. (2010). Basic impairments in regulating the speed-accuracy tradeoff predict symptoms of attention-deficit/hyperactivity disorder. Biological

psychiatry, 68, 1114-1119.

Mulder, M. J., Keuken, M. C., van Maanen, L., Boekel, W., Forstmann, B. U., & Wagenmakers, E. J. (2013). The speed and accuracy of perceptual decisions in a random-tone pitch task. Attention, Perception, & Psychophysics, 75, 1048-1058.

Mystakidou, K., Parpa, E., Tsilika, E., Gogou, P., Panagiotou, I., Galanos, A., ... &

Gouliamos, A. (2010). Self-efficacy, depression, and physical distress in males and females with cancer. American Journal of Hospice and Palliative Medicine, 27, 518-525.

Park, J. Y., & Jang, S. S. (2013). Confused by too many choices? Choice overload in tourism.

22

Pedersen, M. L., Frank, M. J., & Biele, G. (2016). The drift diffusion model as the choice rule in reinforcement learning. Psychonomic bulletin & review, 1-18.

Peirce, J. W. (2007). PsychoPy—psychophysics software in Python. Journal of neuroscience

methods, 162, 8-13.

Ratcliff, R. (1978). A theory of memory retrieval. Psychological review, 85, 59-108.

Ratcliff, R. (2002). A diffusion model account of response time and accuracy in a brightness discrimination task: Fitting real data and failing to fit fake but plausible data.

Psychonomic bulletin & review, 9, 278-291.

Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: theory and data for two-choice decision tasks. Neural computation, 20, 873-922.

Ratcliff, R., & Rouder, J. N. (1998). Modeling response times for two-choice decisions.

Psychological Science, 9, 347-356.

Ratcliff, R., & Smith, P. L. (2010). Perceptual discrimination in static and dynamic noise: the temporal relation between perceptual encoding and decision making. Journal of

Experimental Psychology: General, 139, 70-94.

Ratcliff, R., Thapar, A., Gomez, P., & McKoon, G. (2004). A diffusion model analysis of the effects of aging in the lexical-decision task. Psychology and aging, 19, 278-289. Ratcliff, R., & Tuerlinckx, F. (2002). Estimating parameters of the diffusion model:

Approaches to dealing with contaminant reaction times and parameter variability.

Psychonomic bulletin & review, 9, 438-481.

Ratcliff, R., Van Zandt, T., & McKoon, G. (1999). Connectionist and diffusion models of reaction time. Psychological review, 06, 261-300.

Scheibehenne, B., Greifeneder, R., & Todd, P. M. (2009). What moderates the too‐much‐ choice effect?. Psychology & Marketing, 26, 229-253.

Scholz, U., Doña, B. G., Sud, S., & Schwarzer, R. (2002). Is general self-efficacy a universal construct? Psychometric findings from 25 countries. European journal of

psychological assessment, 18, 242.

Starns, J. J., & Ratcliff, R. (2010). The effects of aging on the speed–accuracy compromise: Boundary optimality in the diffusion model. Psychology and aging, 25, 377-390. Teeuw, B., Schwarzer, R., & Jerusalem, M. (1994). Dutch adaptation of the General

Self-efficacy Scale. Berlijn, Duitsland. Opgehaald 18. mei, 2017, van

23

Vandekerckhove, J., & Tuerlinckx, F. (2007). Fitting the Ratcliff diffusion model to experimental data. Psychonomic bulletin & review, 14, 1011-1026.

van Ravenzwaaij, D., Donkin, C., & Vandekerckhove, J. (2017). The EZ diffusion model provides a powerful test of simple empirical effects. Psychonomic bulletin & review,

24, 547-556.

Vohs, K. D., Baumeister, R. F., Schmeichel, B. J., Twenge, J. M., Nelson, N. M., & Tice, D. M. (2008). Making choices impairs subsequent self-control: a limited-resource account of decision making, self-regulation, and active initiative. Journal of

Personality and Social Psychology, 94, 883-898.

Voss, A., Nagler, M., & Lerche, V. (2013). Diffusion models in experimental psychology: A practical introduction. Experimental psychology, 60, 385–402.

Voss, A., Rothermund, K., & Voss, J. (2004). Interpreting the parameters of the diffusion model: An empirical validation. Memory & Cognition, 32, 1206-1220.

Wagenmakers, E. J. (2009). Methodological and empirical developments for the Ratcliff diffusion model of response times and accuracy. European Journal of Cognitive

Psychology, 21, 641-671.

Wagenmakers, E. J., Ratcliff, R., Gomez, P., & McKoon, G. (2008). A diffusion model account of criterion shifts in the lexical decision task. Journal of memory and

language, 58, 140-159.

Wagenmakers, E. J., Van der Maas, H., L., J., & Grasman, R., P., P., P. (2007). An

EZ-diffusion model for response time and accuracy. Psychonomic Bulletin & Reviews, 14, 3-22.

White, C. N., Ratcliff, R., Vasey, M. W., & McKoon, G. (2010). Using diffusion models to understand clinical disorders. Journal of Mathematical Psychology, 54, 39-52. Wickelgren, W. A. (1977). Speed-accuracy tradeoff and information processing dynamics.

Acta Psychologica, 41, 67-85.

24

25

Appendix B.1

De proportie correcte responsen (Pc) 𝑃𝑃𝑐𝑐 = 1

1 + exp �−𝑎𝑎𝑎𝑎_𝑠𝑠2 � , (1)

waarbij s een irrelevante schaalparameter is.

De variantie van de reactietijd voor correcte responsen (VRT)

𝑉𝑉𝑉𝑉𝑉𝑉 = �𝑎𝑎𝑠𝑠_2𝑎𝑎2₃�2𝑦𝑦 exp(𝑦𝑦) − exp(2𝑦𝑦) + 1_{[exp(𝑦𝑦) + 1]2} , (2)

waarbij 𝑦𝑦 =−𝑣𝑣𝑣𝑣

𝑠𝑠2 en 𝑎𝑎 ≠ 0. Als 𝑎𝑎 = 0, 𝑉𝑉𝑉𝑉𝑉𝑉 = 𝑣𝑣4 24𝑠𝑠4

Nadat de parameters 𝑎𝑎 en 𝑎𝑎 aan de hand van vergelijking 1 en 2 bepaald konden worden, kan

Ter op basis van een deerde vergelijking berekenden worden. Hierbij is de gemiddelde beslissingstijd van belang.

De gemiddelde reactietijd voor correcte responsen (MRT)

𝑀𝑀𝑉𝑉𝑉𝑉 = �_2𝑎𝑎�𝑎𝑎 1 − exp (𝑦𝑦)_{1 + exp (𝑦𝑦) + 𝑉𝑉}𝑒𝑒𝑒𝑒 , (3)

waarbij 𝑦𝑦 =−𝑣𝑣𝑣𝑣 𝑠𝑠2

26

Appendix B.2

# The default value for the scaling parameter s equals .1 if (Pc == 0) cat("Oops, Pc == 0!\n") if (Pc == 0.5) cat("Oops, Pc == .5!\n") if (Pc == 1) cat("Oops, Pc == 1!\n")

# If Pc equals 0, .5, or 1, the method will not work, and # an edge-correction is required.

L = qlogis(Pc) # The function "qlogis" calculates the logit. x = L*(L*Pc^2 - L*Pc + Pc - 0.5)/VRT

v = sign(Pc-0.5)*s*x^(1/4) # This gives drift rate.

a = s2*qlogis(Pc)/v # This gives boundary separation.

y = -v*a/s2

MDT = (a/(2*v))*(1-exp(y))/(1+exp(y))

Ter = MRT-MDT # This gives nondecision time.

return(list(v, a, Ter)) }