MCAT能力參數估計方法與傳統CAT估計方法基本相同，隻是MCAT中涉及的被試能力維度更多。MCAT能力條件估計方法主要有極大似然估計、貝葉斯極大後驗估計、貝葉斯期望後驗估計等。
一、極大似然估計
（一）牛頓-拉夫遜迭代
極大似然估計首先需界定模型的似然函數，若令L（Ui|θi）為能力θi的被試在測驗作答矩陣為Ui的似然函數，在假設項目局部獨立（Local Independence，LD）條件下，有
其中Qij（θi）=1-Pij（θi）。
對上式取對數似然，則有
也即通過解如下方程式獲取：
其中
由於上式為非線性方程，因此可通過牛頓-拉夫遜（Newton-Raphson）迭代方法求其近似解，即
其中
H（θi）為對數似然函數在θi處的二階導矩陣，即
其中H（θ（v）i）的第k行第k列元素（對角元素）為
H（θ（v）t）的第k行第L列元素為
（二）Fisher-score迭代
如果初始值與參數真值相差較遠，則上公式中的參數可能無法收斂。這時可以采用Fisher-score迭代（Segall，1996）來保證收斂，即采用二階導的期望矩陣（信息矩陣）來代替二階導矩陣，即
二、貝葉斯極大後驗估計
（一）牛頓-拉夫遜迭代
若記g（θi|Ui）為被試i能力為θi的後驗分布，並記g（θi）服從均值為μ，協方差矩陣為Φ的多變量正態分布（θi先驗的分布），記g（Ui）為Ui的邊際概率，根據貝葉斯定理，有
也即通過解如下方程式獲取：
其中
同樣，上述方程為非線性方程，可通過牛頓-拉夫遜（Newton-Raphson）迭代方法求其近似解，即
其中
J（θ（v）i）為f（θl|Ui）在θi處的二階導矩陣，它是p×p的對稱矩陣，即
其中J（θ（v）i）的對角元素為
φkk為Φ-1矩陣的第k行第k列元素。