计算机自适应测试(CAT)的早期阶段是指用少量项目进行潜在能力水平的估计。为了得到准确的CAT结果,需要从估计方法的偏差和不稳定性两方面考虑。一方面,希望能得到一种偏差比较小或者无偏的估计方法。Warm已经证明加权似然估计(WLE)在三参数logistic模型中不仅可以减少极大似然估计(MLE)的偏差,而且还能减小固定测试长度下的标准误差,是一种优良的估计方法。本文对比极大似然估计说明加权似然估计在名义模型中也有良好的结论。通过模拟,从不同方面说明加权似然估计方法的高精度性。首先,通过模拟结果可以看出加权似然估计产生的偏差比极大似然估计在项目个数是加权似然估计的4倍时产生的偏差还要小。其次在对比项目个数是三十时加权似然估计和极大似然估计两种方法产生的偏差、标准误差和均方根误差在不同能力水平的变化情况时,发现加权似然估计在几乎所有能力水平上产生的偏差、标准误差和均方根误差上都比极大似然估计产生的要小。最后模拟了两种方法在不同能力水平所使用的项目个数。模拟结果说明加权似然估计方法所使用的项目个数在能力水平是-1、0和1是极大似然估计方法所使用的近一半。因此,加权似然估计是比极大似然估计更优良的一种估计方法。另一方面,项目选择标准(ISC)可以减少估计的不稳定性。文章介绍了两个常见的ISC:FI标准和KL标准。鉴于加权似然估计方法的高精度,将这个估计方法应用到计算机自适应测试中。用加权似然估计能力水平结合FI和KL标准,讨论这两个标准不不同能力水平的变化情况。通过模拟说明这两个项目选择标准在不同的能力水平处各有优缺点。因此,权似然估计是一个偏差小且所需项目个数较少的估计方法。