R中潜在特质模型：重复测量设计下特质分数获取技术咨询

我之前刚好处理过类似的重复测量场景下的潜在特质分数分析，结合你的问题和使用mirt的经历，给你分享下实操思路和替代方案：

一、调整mirt::mixedmirt的参数，明确重复测量结构 #

你提到不确定mixedmirt是否识别了重复测量设计，核心问题可能是没有明确指定被试水平的随机效应——默认情况下，mixedmirt不会自动识别长格式数据里的重复测量嵌套关系，需要手动通过参数告诉模型：

1. 指定随机效应：在函数中加入random = ~ 1 | ID（假设你的被试ID列名为ID），这样模型会为每个被试拟合随机截距，捕捉重复测量间的个体差异，这才是重复测量设计的核心。示例代码：

# 假设你的数据是长格式，包含ID、Time、以及各个题目列
fit <- mixedmirt(
  data = your_long_data,
  model = 1,  # 单维度潜在特质
  itemtype = "graded",  # 根据你的题目类型调整，比如"2PL"
  random = ~ 1 | ID,  # 关键：指定被试为随机分组水平
  fixed = ~ Time  # 把Time作为固定效应，建模潜在特质随时间的变化
)

2. 验证模型是否识别重复测量：拟合后可以用VarCorr(fit)查看随机效应的方差成分，如果输出里有ID对应的方差项，说明模型已经考虑了重复测量的相关性。

3. 提取潜在特质分数：用fscores()函数时，记得加上full.scores = TRUE，这样会为每个时间点的观测单独生成分数，匹配你的长格式数据：

latent_scores <- fscores(fit, method = "EAP", full.scores = TRUE)

二、推荐其他适配重复测量设计的R包 #

如果mirt的使用还是有困惑，这些包在重复测量潜特质分析上也很成熟：

• lavaan：适合用结构方程模型（SEM）框架做潜增长模型（Latent Growth Modeling），直接建模潜在特质随时间的变化趋势（比如线性增长）。它支持长格式数据，你可以指定基线潜因子和增长斜率潜因子，同时控制重复测量的误差结构。

• TAM：专门针对教育/心理测验的分析包，tam.mml.mixed函数原生支持多层/重复测量的IRT模型，语法和mixedmirt类似，但在处理复杂嵌套结构时的输出更清晰，提取分数可以用tam.fscores()。

• brms：基于贝叶斯框架的灵活工具，可以把IRT模型和线性混合模型结合起来，适合需要贝叶斯推断的场景，语法和lmer接近，能自定义潜在特质随时间的变化模型。

内容的提问来源于stack exchange，提问作者NoviceCoder