Normalitas merupakan asumsi yang paling mendasar dalam analisis multivariat yang membentuk suatu distribusi data pada suatu variabel matriks tunggal dalam menghasilkan distribusi normal. Apabila asumsi normalitas tidak dapat dipenuhi dan penyimpangan normalitas besar maka seluruh hasil uji statistik tidak valid. Menurut Ghozali & Fuad (2008: 37), normalitas dibagi menjadi dua yaitu (1) Univariate normality (normalitas univariat), (2) Multivariate normality (normalitas multivariat). Normalitas univariat dapat diuji menggunakan data ordinal maupun data continous. Uji normalitas multivariat hanya dapat dilakukan pada data continous. Apabila suatu data memiliki normalitas multivariat maka data tersebut pasti memiliki normalitas univariat. Tetapi apabila data normalitas univariat belum tentu data tersebut juga normalitas multivariat. Asumsi normalitas dapat diuji dengan nilai statistik z untuk skewness dan kurtosis
Dalam multivariate normality, LISREL menghasilkan 4 jenis chi-square beserta probabilitasnya yang berbeda yaitu Minimum Fit Function Chi-Square (C1), Normal Theory Weighted Least Squares Chi-Square (C2), Satorra-Bentler Scaled Chi-Square (C3), dan Chi-Square Corrected for Non-Normality (C4). Estimasi model berdasarkan asumsi normalitas yang terpenuhi akan menghasilkan 2 jenis Chi-Square, yaitu C1 dan C2. Sedangkan jika asumsi normalitas tidak terpenuhi dengan memberikan asymptotic covariance matrix akan menghasilkan 4 jenis Chi-Square yaitu C1, C2, C3, dan C4. C3 merupakan nilai chi-square setelah mengkoreksi timbulnya bias akibat tidak normalnya data. Menurut Curran et.al (1996) sebagaimana dikutip oleh Ghozali & Fuad (2008: 37) membagi jenis distribusi data menjadi tiga bagian antara lain (1) Normal, (2) Moderately non-normal, dan (3) Extremely non-normal. Ketiga distribusi data di atas dinilai berdasarkan nilai kurtosis dan skewness. Apabila nilai skewness kurang dari 2 dan nilai kurtosis kurang dari 7 maka data adalah normal. Sedangkan, jika nilai skewness berkisar antara 2 sampai 3 dan nilai kurtosis berkisar antara 7 sampai 21 maka data adalah Moderately nonnormal. Distribusi data termasuk sangat tidak normal (Extremely non-normal) apabila nilai skewness lebih besar daripada 3 dan nilai kurtosis lebih besar dari 21. Ketidaknormalitasan data tidak termasuk permasalahan serius. Hal itu dapat diatasi dengan program LISREL antara lain 27 (1) Menambahkan estimasi asymptotic covariance matrix. Hal itu akan mengakibatkan estimasi parameter beserta goodness of fit statistic akan dianalisis berdasarkan pada keadaan data yang tidak normal; (2) Mentransformasi data untuk data continous. Data ordinal tidak diperolehkan menggunakan transformasi data karena akan mengakibatkan data sulit diinterprestasikan; (3) Menggunakan metode estimasi selain Maximum Likelihood seperti Generalized Least Square (GLS) atau Weighted Least Square (WLS); dan (4) Bootstrapping dan Jackniffing yang merupakan metode baru yang mengasumsikan data di-“resampling” dan kemudian dianalisis. Menurut Ghozali & Fuad (2008: 250), ada dua asumsi mengenai ketidaknormalan data sebagai berikut (1) Mengasumsikan bahwa data yang tidak normal akan dijalankan berdasarkan pada keadaan normal seperti biasa (metode ML dan data disimpan dalam covariance matrix) atau dengan kata lain mengestimasi model yang salah karena data yang tidak normal. (2) Mengestimasi model dengan menggunakan metode ML, tetapi mengkoreksi standart error dan beberapa goodness of fit indices akibat ketidaknormalan distribusi data