在教育和心理测量学中,考生的作答反应和反应时间数据是教育心理测量学家的重点研究对象。这些数据在评估考生的能力、制定和分析测试项目的过程中,提供了重要的信息。在实际教育测试中,考生在作答不同的试题时,往往会表现出不同的作答状态。即,正常作答状态和快速猜测状态。此时,结合作答反应和反应时间建立分层混合模型,能够有效的分析两种作答状态,但这种构建分层混合模型的方法并没有考虑被试作答状态间相互转化的关系。例如,当被试对一个项目进行猜测后,是否下一个题目猜测的可能性会更高;能力更强的被试是否更加倾向于坚持正常作答状态等。基于上述问题,本文提出隐马尔可夫项目反应和反应时间模型,来解决被试者作答状态转移问题。在众多的测试数据中,经常会出现作答反应数据缺失的现象。研究发现,大多数情况下,反应数据的缺失都属于非随机缺失。这是因为低能力的被试更容易缺失作答反应,如果删除缺失作答反应数据,将会导致有偏的参数估计结果,从而严重的影响统计推断。因此,本文通过构建两参数logistic模型,拟合非随机缺失的反应数据,并通过层级结构模型,刻画缺失模型中被试参数与隐马尔可夫项目反应理论（Item Response Theory,简称IRT）模型中被试能力之间的相关性。针对上述构建的模型,在贝叶斯框架下本文采用切片抽样算法、Gibbs抽样算法和Metropolis–Hastings算法进行参数估计。通过不同的模拟研究设计,考查不同样本量下算法的收敛性和稳定性,并对参数拟合效果进行评估,进而分析考生作答状态的变化过程。最后,通过实例分析验证提出的模型在实际运用中的价值。