有序分类变量在心理学、社会科学等领域中具有广泛应用,如李克特量表、认知测验的是非题等。目前,在实际研究中主流的观点是采用“将有序分类变量当作连续变量处理”进行数据分析。但是有序分类变量不同于连续变量,其本身具有分类变量的定性属性,存在信息含量相对较少、数据易于违反正态分布假设等问题。因此,不少研究者建议将分类变量视作一种特殊的变量进行处理。此外,在验证性因子分析模型(Confirmatory Factor Analysis,CFA)中常常出现数据拟合的模型结构不符合理论假设的交叉负载问题。这类问题会对观测指标与因子间的关系的评估产生极大影响,但是在处理方法上往往莫衷一是。因此含有序分类变量的交叉负载问题成为研究的热点问题。传统方法在含有序分类变量的CFA模型中常常出现在小样本条件下不易收敛、模型参数估计易受非正态分布等影响的问题。随着贝叶斯方法的推广与应用,前人研究发现贝叶斯方法相比传统频率学派方法,具有许多优势,如:(1)不依赖大样本渐近假设,在小样本中也能达到估计精度;(2)参数估计基于后验分布不易受数据偏态分布的影响;(3)不依赖频率学派中的高维积分运算,能够处理更加复杂的模型。本文通过模拟研究,以最基本的含有序分类变量的CFA模型比较两种不同处理观点中频率学派方法与贝叶斯方法在数据分析中的表现。同时结合交叉负载问题的建模方法,评估不同方法在含交叉负载的CFA模型中负载估计的准确性。结果支持了当点数在4点及以上时“将有序分类变量当作连续变量”的处理观点,且有信息先验的贝叶斯方法表现更优。同时发现了基于有序分类变量的有信息先验的贝叶斯方法在分类点数少、小样本、非对称分布数据的CFA中的优势,且在区间估计上表现更好。探索性结构方程模型(Exploratory Structural Equation Modeling,ESEM)相比贝叶斯方法不依赖先验信息,可能具有更广泛的适用性。总之,有序分类数据作为一类特殊的数据,研究者应该谨慎选择分析方法。研究还通过一个“简版黑暗三人格”量表的具体分析,展示频率学派方法和贝叶斯方法在实际分析中的应用,为研究者的实际分析提供建议和参考。