В исследовании представлен новый байесовский фреймворк FABOr (Factor Analysis of Binary and Ordinal data), предназначенный для матричного разложения данных, которые не являются непрерывными. В отличие от традиционных методов, ориентированных на количественные показатели, FABOr эффективно работает с бинарными и порядковыми фенотипами, часто встречающимися в клинических скринингах и опросниках. Авторы разработали расширение метода для обработки данных с механизмом пропусков, не являющимся случайным (MNAR), что критически важно для медицинских исследований. Эксперименты на симулированных данных показали, что FABOr превосходит существующие бенчмарки при работе с порядковыми признаками. При применении алгоритма к реальному набору данных Simons Foundation SPARK, касающемуся расстройств аутистического спектра (ASD), точность импутации (восстановления данных) выросла на 5% для бинарных и на впечатляющие 23% для порядковых данных. Данная разработка имеет высокую практическую значимость для анализа сложных генетических и поведенческих профилей в психиатрии и неврологии.