题组型题目因其高效性而被广泛应用于各种测验，因此，需要寻求一种正确的方法对这一类型的题目进行统计分析，提高结果的精确度，以准确评价被试的能力。题组GIRM方法(Testlet Response Theory Approach)就是对题组型题目进行分析的一种新方法。但是目前国内鲜有关于题组GIRM方法的研究。　　本研究通过控制样本量、题组长度和题组效应这三个自变量来对题组 GIRM方法和传统概化（Generalizability Theory，简称GT）方法进行模拟研究，并将题组GIRM方法和传统GT方法应用于实际研究，通过模拟及实测两方面的研究，将题组GIRM方法与传统GT方法进行对比。通过马尔科夫链蒙特卡洛（MarkovChain Monte Carlo，简称MCMC）方法计算题组GIRM方法下的各方差分量，并计算其与传统GT方法下各方差分量的差异，比较两种方法下所得出的方差分量、相对误差、绝对误差、概化系数及可靠性系数，进一步深入探讨题组GIRM方法的特点及其估计准确性，同时检验题组 GIRM方法在多大程度上适用于实测数据。　　研究结果表明:　　(1)传统GT-方法和题组GIRM方法在各方差分量、相对误差、绝对误差、概化系数和可靠性系数的估计上所得结果基本一致，题组GIRM方法可以在不损失精确性的前提下实现对数据的分析。　　(2)被试样本量可能会对传统GT方法和题组GIRM方法在方差分量估计值、相对误差估计值、绝对误差估计值、概化系数估计值和可靠性系数估计值上的差异产生影响，在其它条件相同的情况下，被试样本量越大，两种方法所得估计值间的差异可能越小。　　(3)题组长度可能会对传统GT方法和题组GIRM方法在方差分量估计值、相对误差估计值、绝对误差估计值、概化系数估计值和可靠性系数估计值上的差异产生影响，在其它条件相同的情况下，题组长度越长，两种方法所得估计值间的差异可能越小。　　(4) MCMC方法在对各方差分量标准误(Standard Errors of Estimate，简称SEE)进行估计时，出现了严重的低估现象。　　(5)题组GIRM方法在对实测数据的分析上表现良好。