Menurut Bollen (1989: 134) sebagaimana dikutip oleh Wijanto (2008:45), MLE secara iterative akan meminimasikan fungsi ∑ dimana diasumsikan ∑ dan adalah definit positif; X dan Y adalah multinormal distribution, dan S mempunyai Wishart distribution merupakan banyaknya variabel teramati (X dan Y) dalam model. Menurut Bollen (1989) sebagaimana dikutip oleh Thanjoyo (2012: 47), Maximum Likelihood (ML) mempunyai beberapa karakteristik yang penting dan karakteristik ini adalah asimptotik sehingga berlaku untuk sampel yang besar. Beberapa karakteristik tersebut antara lain
(1) ML secara asimptotik tidak bias, meskipun estimator ini bias untuk sampel kecil,
(2) ML adalah konsisten,
(3) ML adalah asymptotically efficient, sedemikian sehingga diantara estimator yang konsisten, tidak ada yang mempunyai asymptotic variance lebih kecil, dan
(4) Distribusi dari estimator mendekati distribusi normal ketika ukuran sampel meningkat. Menurut Thanjoyo (2012: 47), meskipun ML popular penggunaannya dalam SEM tetapi ada kekurangannya yang perlu diperhatikan yaitu ketika nonormality atau excessive kurtosis mengancam validitas dari uji signifikansi ML.
Menurut Bollen (1989) sebagaimana dikutip oleh Thanjoyo (2012: 47) menyarankan beberapa alternatif untuk mengatasi hal ini, yaitu
(1) Mentransformasikan variabel sedemikian rupa sehingga mempunyai multinormalitas yang lebih baik dan menghilangkan kurtosis yang berlebihan.
(2) Menyediakan penyesuaian pada uji signifikan dan kesalahan standar biasa sehingga hasil modifikasi uji signifikan dari adalah secara asimptotis benar (asymptotically correct).
(3) Menggunakan bootstrap resampling procedures.
(4) Menggunakan estimator alternatif yang menerima ketidaknormalan (nonnormality) dan estimator tersebut asymptotically efficient.
Weighted Least Square (WLS) adalah salah satu di antara metode berikut. Menurut Ghozali & Fuad (2008: 36), Maximum Likelihood disarankan menggunakan ukuran sampel sebesar 100-200. Apabila data yang digunakan sebesar lebih dari 200 maka akan menghasilkan indeks goodness of fit yang buruk. Menurut Chou et al. (1991) & Hu et al. (1992) sebagaimana dikutip oleh Ghozali & Fuad (2008: 193), beberapa peneliti membolehkan penggunaan skala interval sebagai data continous dan sehingga dapat langsung dianalisis (data mentah atau covariance matrix) dengan menggunakan maximum likelihood dan melakukan koreksi atas beberapa bias yang mungkin timbul. Menurut Bryne (1998) sebagaimana dikutip oleh Ghozali & Fuad (2008: 202), dalam penggunaan data ordinal yang diberlakukan sebagai data continous dan menggunakan ML lebih baik apabila ukuran data yang kecil dan jumah kategori yang lebih dari 3 dibandingkan menggunakan estimasi WLS