مهمترین شاخص «تناسب مدل»^[۸۶] آزمون مجذور کای است. البته استفاده از این آزمون متضمن یکسری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یکسری «شاخص های ثانویه»^[۸۷] به وجود آمد.
تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است و هرچه ارزش آن کوچکتر باشد، نشان می دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص های تناسب ثانوی ^[۸۸]GFI، ^[۸۹]NFI و ^[۹۰]AGFI شاخص های تناسب مدل هستند، در این شاخص ها هرچه ارزش آنها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به صورت مختصر برخی از شاخص های تناسب مدل شرح داده می شود:
۱)آزمون مجذور کای ()، مجذور کای به درجه آزادی
از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می شود. این شاخص به سادگی نشان می دهد که آیا بیان مدل ، ساختار روابط میان متغیرهای مشاهده شده را توصیف می کند یا خیر. این شاخص نسبت به اندازه نمونه حساس است، وقتی حجم نمونه برابر ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل های با n بزرگتر، مجذور کای تقریباً همیشه از لحاظ آماری معناداری است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی های موجود در مدل نیز هست. هر چه این همبستگی ها زیادتر باشد، برازش ضعیف تر است.

برخی از محققان از نسبت مجذور کای به درجه آزادی به عنوان شاخص جایگزینی استفاده می کنند. اگر این نسبت کمتر از عدد ۳ باشد، برازش مناسب است.
۲) شاخص GFIو AGFI
این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی گیرد. مقدار مطلوب آن می بایستی از ۹/۰ بیشتر باشد. البته این مقدار می تواند برای مدل هایی که به گونه ضعیفی فرمول بندی شده اند، بزرگ باشد. درباره کاربرد آن توافق کلی وجود ندارد.
۳) شاخص RMSR یا RMR
RMSR معیار میانگین اختلاف بین داده ها و ماتریس کوواریانس- واریانس ضمنی است. این معیار هر چقدر که کوچکتر باشد، برای تناسب مدل با داده ها بهتر است (زیر ۰۵/۰ بسیار عالی، زیر ۰۸/۰ مناسب و بالای ۰۹/۰ نامناسب است ). این شاخص هنگامی که میانگین واریانیس- کوواریانس داده ها شناخته شده باشد، یک شاخص با ارزش محسوب می شود. ارزیابی آن هنگامی که ماتریس واریانی-کوواریانس غیر استاندارد مورد استفاده قرار می گیرد، مشکل است.
هر چند از میان شاخص های فوق، به گونه کلی RMSEA به عنوان شاخص مطلوب و GFI به عنوان بهترین شاخص در نظر گرفته می شود، اما درباره آنها توافق کلی وجود ندارد. شاخص های برازندگی به گونه کلی در دامنه بین صفر و یک قرار می گیرند. ضرایبی که بالاتر از ۹/۰ باشند، قابل قبول در نظر گرفته می شوند. هر چند که این سطح نیز مانند سطح خطای ۰۵/۰ اختیاری است (هومن، ۱۳۸۷، ۴۳). عاقلانه این است که همه این شاخص ها با هم در نظر گرفته و در گزارش قید شوند.
۴-۵-۴تعبیر و تفسیر مدل^[۹۱]
اگر هم آزمون  و هم آزمون های تناسب ثانوی نشان دادند که مدل به طور کافی متناسب است، به سمت مشخص کردن عوامل مدل تناسب شده حرکت کرده و بر روی این عوامل تمرکز می کنیم. در این مرحله، تخمین های فردی پارامترهای آزاد بر اساس تفاوت های آنها از ارزش صفر (H0 و سطح معناداری) مشخص شده برای آنها، مورد ارزیابی قرار می گیرد. نسبت تخمین به خطای استاندارد در یک آماره به نام Z یا t توزیع می شود و می بایستی این نسبت در Z از ۹۶/۱ بیشتر باشد و در آزمون t باید خارج بازه (۲+ ، ۲-) باشد تا این تخمین ها از لحاظ آماری معنادار شوند.
مجموعه متغیرهایی که در مدل معادلات ساختاری وجود دارند بر دو نوع هستند:
الف) متغیرهای مشاهده شده^[۹۲] (آشکار^[۹۳] یا اندازه گیری)
ب) متغیرهای مکنون^[۹۴] (پنهان یا مشاهده نشده)
برخی متغیرها به شکل دایره (یا بیضی) و برخی از آنها به شکل مربع (یا مستطیل) نمایش داده می شود. بیضی یا دایره معرف متغیرهای پنهان و مستطیل یا مربع نمایشگر متغیرهای اندازه گیری است.
یک مدل کامل معادله ساختاری شامل دو مولفه است:
الف) یک مدل ساختاری^[۹۵]: ساختار علی مفروض بین متغیرهای پنهان (سازه های نظری که به گونه مستقیم مشاهده پذیر نیستند) را مشخص می نماید.
ب) یک مدل اندازه گیری^[۹۶]: روابط بین متغیرهای اندازه گیری شده یا نشانگر (متغیرهایی که به گونه مستقیم مشاهده پذیر هستند) و متغیرهای پنهان را که برای آنها برآورد تقریبی به کار می رود، تعریف می کند.
۴-۶ )ماتریس همبستگی میان متغیر و ضریب آلفای کرونباخ
ماتریس همبستگی متغیرها و ضرایب آلفای کرونباخ متغیرهای پرسشنامه و ضریب آلفای کرونباخ کل پرسشنامه در جدول ۴-۳۲ نشان داده شده است.
جدول ۴-۳۲ ضرایب آلفای کرونباخ و ماتریس همبستگی بین متغیرهای پنهان (اندازه نمونه:۳۶۰)