在教育心理研究中,Cox比例风险模型已广泛应用于分析反应时间数据。然而,本文通过对一组真实数据的Kaplan-Meier（KM）图分析发现,基于Cox模型的风险比成比例的假设不再是一个合理的假设,在分析不同题目时,生存比出现了很大的差异性。为了克服这样一个问题,本文考虑一族更灵活的非比例风险模型,即广义优比风险回归模型（generalized odds-rate hazards class of regression models,GORH）;此广义模型囊括了常用的成比例风险模型和成比例odds模型。参数估计过程采用完全贝叶斯手段;两类贝叶斯信息准则,包括偏差信息准则（deviance information criterion,DIC）和伪似然边际对数（logarithm of the pseudomarginal likelihood,LPML）用于模型比较。通过模拟研究以及真实数据-PISA（Programme for International Student Assessment）数据分析检验提出的模型和方法。进一步,计算机测试可以收集到丰富的多类别项目反应数据,包括反应和反应时间测量数据。在处理此类数据时,一个非常关键的问题是,例如,如何映射出反应时间数据对于项目反应模型中的潜在能力参数的估计有帮助;或者如何评价反应数据对反应时间模型中潜在速度参数的估计的帮助有多大。为了更加清晰明了的采用数学语言阐述此问题,我们采用联合建模的方法进行研究;其中,对二分项目反应数据采用二参数项目反应理论（item response theory,IRT）模型;对连续反应时间数据采用上述的GORH模型。最后,通过对基于边际似然得到的DIC和LPML两个信息准则的分解,提出了新的贝叶斯模型评估准则。这个新的贝叶斯模型评估准则可用于衡量在给定反应时间数据的情况下,对反应数据的拟合会得到多大的提高;或者在给定反应数据条件下,对反应时间数据拟合会有多大的改变。两个模拟研究用于检验新提出的模型评估准则的功效,并且通过对PISA数据的分析来阐释提出的模型评估准则的应用。接着,另外一组真实数据-App RISE数据,其不仅包含了反应和反应时间数据,同时也包含了传统纸笔测试数据。受App RISE数据的驱动,我们提出了基于这三类数据的联合模型;同时基于信息准则分解的思想,提出了更多新的模型评估准则。指导了一个模拟研究来检验新提出准则的功效,同时实现了对App RISE数据的分析。