項目響應理論與驗證性因素分析
我想知道項目響應理論和驗證性因素分析之間的核心、有意義的區別是什麼。
我知道計算中存在差異（更多地關注項目與協方差；對數線性與線性）。
但是，我不知道從更高層次的角度來看這意味著什麼——這是否意味著在某些情況下 IRT 比 CFA 更好？還是出於稍微不同的最終目的？
任何思考都將是有用的，因為對研究文獻的掃描會導致更多地描述 IRT 和 CFA，而不是對它們之間的核心差異進行任何有用的比較。
@Philchalmers 的回答很重要，如果您想從該領域的一位領導者 Muthen（Mplus 的創建者）那裡獲得參考，請點擊此處：（已編輯以包含直接引用）
一位 MPlus 用戶問：我試圖為我的論文描述和說明二進制 CFA 和 IRT 之間當前的異同。Mplus 中用於分類 CFA 的默認估計方法是 WLSMV。要運行 IRT 模型，您手冊中的示例建議使用 MLR 作為估計方法。當我使用 MLR 時，數據輸入仍然是四色相關矩陣還是使用原始響應數據矩陣？
Bengt Muthen 回應：我認為分類變量的 CFA 和 IRT 之間沒有區別。有時有人聲稱，但我不同意。通常使用哪個估算器可能會有所不同，但這不是必需的。MLR 使用原始數據，而不是樣本四色相關矩陣。… ML(R) 方法與例如 Bock 的工作中描述的“邊際 ML (MML)”方法相同。因此，使用原始數據並使用數值積分對因素進行積分。MML 與使用的“條件 ML”形成對比，例如與 Rasch 方法一起使用。
假設正態因子、概率（正態）項目-因子關係和條件獨立性，ML 和 WLSMV 的假設是相同的，後者使用 tetrachorics。這是因為這些假設對應於假設分類結果背後的多元正態潛在連續潛在響應變量。所以 WLSMV 只使用一階和二階信息，而 ML 一直到最高階。然而，信息的損失似乎很小。ML 不適合這些樣本 tetrachorics 的模型，因此也許有人可以說 WLSMV 以不同的方式邊緣化。這是估計器差異而不是模型差異的問題。
我們的網站上有一個 IRT 說明：
http://www.statmodel.com/download/MplusIRT2.pdf
但同樣，ML(R) 方法與 IRT MML 中使用的方法沒有什麼不同。
來源： http ://www.statmodel.com/discussion/messages/9/10401.html?1347474605