我在包中找不到执行此操作的方法ltm，但如果您愿意使用该包，它相对简单mirt。

首先，写出一些由可能但随机的响应模​​式组成的任意矩阵或数据框。您也可以包含您感兴趣的实际响应模式以供以后使用。

  dat <- matrix(sample(c(0,1), 10000, TRUE), ncol = 5)
  colnames(dat) <- paste0('item', 1:5)

将其用作数据输入并mirt()提供选项pars = 'values' 以返回包含参数名称、数字、起始值等的数据框。编辑此对象以包含您想要的截距、斜率或其他值，并设置所有估计符合逻辑FALSE。这将导致模型立即与您想要的参数收敛。

  library(mirt)
  sv <- mirt(dat, 1, itemtype = '3PL', pars = 'values')
  #custom discrimination, easiness, and guessing values
  sv$value[sv$name == 'a1'] <- c(1,.9,.8,1,1.1)
  sv$value[sv$name == 'd'] <- c(-1,0,1.5,-1.5,0)
  sv$value[sv$name == 'g'] <- c(.2,.15,.17,.19,.15)
  #set the parameters as fixed
  sv$est <- FALSE

最后，（任意）使用 估计这个模型pars = sv，并使用返回的对象计算因子得分。如果您包含了您感兴趣的响应模式，则fscores()直接使用工作，否则使用response.pattern选项直接估计模式。

  mod <- mirt(dat, 1, pars = sv)
  fscores(mod)
  #more interested in pattern: 0, 1, 1, 0, 1
  fscores(mod, response.pattern = c(0,1,1,0,1))

希望这会有所帮助。

编辑：由于我不久前发布了这个答案，因此该mirtCAT包是作为扩展开发的，mirt并包含一个辅助函数，该函数调用用于建立具有已知系数generate.mirt_object()的合适模型。mirt

以下是使用上述参数的方法。

 library(mirtCAT)
 pars <- data.frame(a1 = c(1,.9,.8,1,1.1),
                    d = c(-1,0,1.5,-1.5,0),
                    g = c(.2,.15,.17,.19,.15))
 mod <- generate.mirt_object(pars, itemtype = '3PL')

 # trait scores for pattern: 0, 1, 1, 0, 1
 fscores(mod, response.pattern = c(0,1,1,0,1))

我认为包装器版本更不容易出错，当然更易于查看和理解。

试试 catR 的 thetaEst。

来自手册：此命令返回给定响应模式和给定项目参数矩阵的能力估计。