序数数据分析新框架：多维建模与统计推断的创新路径

《Psychometrika》：Remarks from the Editor-in-Chief

本期《Psychometrika》聚焦心理测量学前沿方法创新，针对序数数据建模、因子分析旋转算法、认知诊断一致性等核心问题，提出GLVMLSS潜变量框架、半监督学习因果检验、RF-IRT交互探测等新方法，显著提升模型解释力与实证应用价值，为教育测评与健康数据建模提供关键技术支撑。

　　

在心理学、教育学和健康医学研究中，序数数据（ordinal data）如李克特量表评分、疾病严重程度分级等无处不在。传统分析方法往往忽略数据的顺序特性，或难以处理复杂的依赖结构。与此同时，潜变量模型在测量潜在特质时面临因子旋转不确定性、模型复杂性控制等挑战。如何发展更灵活、更可解释的统计框架，成为心理测量学领域亟待突破的瓶颈。

《Psychometrika》2025年第三期汇集16篇前沿研究，从多维序数数据分析到机器学习赋能的因果推断，展现出心理测量学与数据科学深度融合的新趋势。主编Sandip Sinharay在卷首语中特别强调，期刊正通过优化审稿流程（平均审稿周期约2个月）推动方法学创新快速传播。

关键技术方法

研究团队采用多维标度分析、广义潜变量模型（GLVMLSS）处理序数数据分布特征；结合半监督学习算法开发反向因果推断工具；通过正则化旋转优化探索性因子分析（EFA）的因子结构；利用随机森林（RF）探测项目反应理论（IRT）中的非线性交互；基于贝叶斯推断构建同伴评分数据模型，并采用动态因子模型处理移动健康（mHealth）密集纵向数据。

理论与方法创新

1. 1.
   序数数据建模三重奏
   de Rooij团队提出多维序数响应变量分析框架，通过潜在特质映射解决分类数据连续化问题。van Praag等人引入误差相关结构下的新统计检验，提升排序数据的推断稳健性。Pearce与Erosheva则从比较数据中推断群体偏好，为消费者行为研究提供可解释模型。
2. 2.
   潜变量模型前沿拓展
   Cardenas-Hurtado等开发的GLVMLSS框架统一处理位置、尺度和形状参数，增强模型灵活性。Zhang团队融合半监督学习与因果发现算法，首次实现心理测量领域的反向因果验证。Makino通过联合对应分析改进分数估计，纠正方差低估的系统偏差。
3. 3.
   因子结构与数据生成革新
   Qiao等人的约束优化算法精确识别双因子载荷结构，解决过度参数化问题。Wu团队将定制化因子结构作为正则项，实现探索性因子分析的最优旋转。Suh与Cai开发有限信息项目响应数据生成方法，为模型复杂性度量提供新工具。
4. 4.
   测量模型应用拓展
   Leng等人构建关系评分数据的IRT模型，突破传统独立响应假设。Ranger团队将反应时间纳入潜特质建模，为低风险测试提供多维度评估方案。

应用与案例突破

Cui等人证实非参数分类方法在认知诊断中的一致性理论，为自适应学习系统提供支撑。Mignemi基于贝叶斯的同伴评分模型，解决教育评估中的评分者效应难题。Abbott团队针对移动健康数据设计的连续时间动态因子模型，捕捉健康行为的微观演变规律。Cho将随机森林嵌入IRT框架，成功探测出预测变量的复杂交互效应。

结论与展望

本系列研究通过方法论创新显著拓展了心理测量学的应用边界：在技术层面，机器学习与传统测量模型的结合催生了新一代因果推断与非线性探测工具；在理论层面，广义潜变量框架与动态建模技术为密集纵向数据提供了系统解决方案。这些进展不仅深化了对心理建构测量本质的理解，更为教育测评、临床评估和健康监测提供了经过严格验证的分析范式。随着可解释人工智能需求的增长，心理测量学与数据科学的交叉创新有望在个性化评估领域产生更深远的影响。