盡管項目反應理論（IRT）實現了對被試潛在特質的精確估計，提高了測量的效率，解決了CTT模型的不足，但傳統的單維IRT理論也存在一定的不足。傳統的IRT模型對測量變量的維度有所限製，模型一般會假設欲測量的心理特質是單維的，但實際上大量研究表明，這種假設在一些情況下是難以保證的，在數據不滿足單維的條件下，強行使用單維的模型，可能會造成很大的測量誤差，這種誤差不僅在使用IRT模型的紙質測驗中存在，在CAT中也同樣存在。Folk和Green（1989）把單維模型用在了兩維數據上，比較了這種模型誤用對CAT測驗和傳統測驗造成的影響。結果表明：當次要因子對測驗的影響不顯著時，傳統測驗下可以通過假設測驗單維，從而采用單維模型；兩個潛在維度不相關，且都對數據有顯著的影響，使用任何一個維度的參數，均會引起特質參數估計的巨大差異；將單維模型用於多維數據引起的偏差在CAT上更加明顯，因為單維模型的參數不僅會用於選題過程中，還會用來進行特質水平估計。因此，建立被試反應與多種能力及項目特征之間的多維項目反應理論（MIRT）模型成了IRT 近40 年來研究較為活躍的領域之一（杜文久，肖涵敏，2012）。
正是基於上述的現狀，在過去的幾十年時間中，許多測量學研究者已經將IRT理論從單維的模型擴展到了多維的模型，並逐漸形成了多維項目反應理論。例如，Bock和Aitkin（1981）基於以往的研究，將EM算法（EM Algorithm）擴展到了多維情況中，形成了全息項目因素分析（FIIFA）的雛形。在接下來的研究中，Bock，Gibbons和Muraki（1988）在Bock和Aitkin的研究基礎上正式地提出了全息項目因素分析的方法，從而將IRT模型擴展到了多維的數據中。與以往的基於單維的IRT模型不同的是，在MIRT模型下，對於被試的潛在特質定位並不是在一個一維的連續體上進行的，而是在多維的空間中進行的（Reckase，2009）。一方麵，MIRT能同時估計被試在測驗每個維度上的能力水平，實現測驗的認知診斷功能；另一方麵，MIRT比項目反應理論更適用於分析許多新形式的測驗，如認知診斷測驗、公務員考試、表現性評估以及寫作測驗的項目和被試特征（毛秀珍，辛濤，2015）。