本文是用马尔科夫链蒙特卡洛（MCMC）算法估计IRT模型参数的模拟实验研究。首先以双参数Logistic（2PL）模型为研究对象进行MCMC算法模拟实验，探讨MCMC算法在2PL模型参数估计中的实现精度；然后考察了MCMC算法在三参数Logistic（3PL）模型参数估计中的实现精度，将其与EM算法的参数估计精度进行比较，并在同等样本量的情况下比较三参数模型与双参数模型的参数估计实现精度，进而探讨了3PL模型参数估计精度偏低的主要原因，并尝试对模型进行改进；最后考察了MCMC算法在四参数Logistic（4PL）模型参数估计中的实现精度，详细内容如下：　　 （1）以2PL模型为研究对象，用MCMC算法进行参数估计模拟实验。首先设定真值，模拟得分矩阵，然后根据该得分矩阵估计模型参数，得到参数估计值的返真性。结果表明，随着项目数的增加，被试能力参数的估计精度提高；随着被试数的增加，项目参数的估计精度提高；随着样本量的逐渐增大，参数估计精度的提高速度均会逐渐减慢；在样本量有限的测验情景下，MCMC算法仍能表现出良好的模型参数估计精度。　　 （2）分别用MCMC算法和EM 算法进行2PL模型、3PL模型参数估计的模拟实验，比较研究了两种算法的参数估计精度。结果表明，MCMC算法估计2PL模型和3PL模型的参数精度均优于EM 算法，并且MCMC算法在估计3PL模型参数方面具有更明显的优势；在样本量较小的情况下，MCMC算法能较好地估计3PL模型参数，估计精度略低于2PL模型，3PL模型的项目参数确定性低是参数估计精度略低于2P模型的主要原因。　　 （3）尝试通过模型改造的方法提高3PL模型的参数估计精度，并用MCMC算法对改进的项目反应理论（IRT）模型进行参数估计模拟实验。结果表明，采用改进IRT模型可以提高项目参数的确定性，进而得到更优的参数估计精度。　　 （4）用MCMC算法对更为复杂的4PL模型进行参数估计实验。结果表明，MCMC算法能够对4PL模型进行参数估计，且计算过程简便，弥补了EM算法难于对复杂模型进行参数估计的不足。