نمودار ۴-۷ و ۴-۸، مدل‌های تحقیق را در حالت تخمین و معنیداری بارهای عاملی و ضرایب مسیر نشان می‌دهد. با توجه به این مدل‌ها می‌توان بارهای عاملی و ضرایب مسیر را برآورد و سپس آزمون کرد. ضرایب موجود در این نمودارها به دو دسته تقسیم می‌شوند. دسته‌ی اول روابط بین متغیرهای پنهان(بیضی) و متغیرهای آشکار(مستطیل) می‌باشند، که این معادلات را اصطلاحاً بارهای عاملی گویند. و دسته‌ی دوم روابط بین متغیرهای پنهان و پنهان هستند که تحت عنوان معادلات ساختاری نام برده می‌شوند و برای آزمون فرضیات استفاده می‌شوند. تمامی ضرایب با بهره گرفتن از آماره t آزمون می‌گردند. با توجه به بارهای عاملی می‌توان گفت سهم کدام متغیر در اندازه گیری سازه مربوطه بیشتر است و سهم کدام متغیر کمتر. به بیان دیگر شاخصی که بار عاملی بزرگ‌تری داشته باشد، سهم بیشتری در اندازه گیری سازه مربوطه دارد و شاخصی که بار عاملی کمتری داشته باشد، سهم کمتری دارد.

آنی
هیجان
تفکر
فوریت
استمرارر
طراحی
فروش
سایز
انسانی
محیط
شکل ۴- ۷ مدل تحقیق در حالت تخمین ضرایب مسیر
آنی
فوریت
تفکر
استمرار
هیجان
فروش
طراحی
انسانی
سایز
محیط
شکل ۴-۸ مدل تحقیق در حالت معناداری ضرایب(t-value)
۴-۴-۴ ارزیابی تناسب مدل^[۳۱۷]
وقتی گفته می‌شود مدل با یک سری داده‍های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده‍های مشاهده شده هم ارز(معادل) باشد؛ یعنی وقتی ماتریس باقیمانده و عوامل آن نزدیک صفر باشند. البته این تناسب به روش تخمین، مدل، ویژگی‌های داده های مشاهده شده و… بستگی دارد.
مهم‌ترین شاخص «تناسب مدل»^[۳۱۸] 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 «شاخص‌های ثانویه»^[۳۱۹] به وجود آمد.
تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص‌های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است و هرچه ارزش آن کوچک‌تر باشد، نشان می‌دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص‌های تناسب ثانوی ^[۳۲۰]GFI، ^[۳۲۱]NFI و ^[۳۲۲]AGFI شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به صورت مختصر برخی از شاخص‌های تناسب مدل شرح داده می‌شود:
۱.آزمون مجذور کای( )، مجذور کای به درجه آزادی
از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می‌کند 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 مدل‌های با n بزرگ‌تر، مجذور کای تقریباً همیشه از لحاظ آماری معناداری است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هر چه این همبستگی‌ها زیادتر باشد، برازش ضعیف‌تر است.
برخی از محققان از نسبت مجذور کای به درجه آزادی به عنوان شاخص جایگزینی استفاده می‌کنند. اگر این نسبت کمتر از عدد ۳ باشد، برازش مناسب است.
۲. شاخص GFI و AGFI
این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی‌گیرد. مقدار مطلوب آن می‌بایستی از ۹/۰ بیشتر باشد. البته این مقدار می‌تواند برای مدل‌هایی که به گونه ضعیفی فرمول بندی شده‌اند، بزرگ باشد. درباره کاربرد آن توافق کلی وجود ندارد.
۳. شاخص RMSR یا RMR
شاخص RMSR معیار میانگین اختلاف بین داده‌ها و ماتریس کوواریانس- واریانس ضمنی است. این معیار هر چقدر که کوچک‌تر باشد، برای تناسب مدل با داده‌ها بهتر است(زیر ۰۵/۰ بسیار عالی، زیر ۰۸/۰ مناسب و بالای ۰۹/۰ نامناسب است). این شاخص هنگامی که میانگین واریانس- کوواریانس داده‌ها شناخته شده باشد، یک شاخص با ارزش محسوب می‌شود. ارزیابی آن هنگامی که ماتریس واریانس-کوواریانس غیر استاندارد مورد استفاده قرار می‌گیرد، مشکل است.
هر چند از میان شاخص‌های فوق، به گونه کلی RMSEA به عنوان شاخص مطلوب و GFI به عنوان بهترین شاخص در نظر گرفته می‌شود، اما درباره آن‌ها توافق کلی وجود ندارد. شاخص‌های برازندگی به گونه کلی در دامنه بین صفر و یک قرار می‌گیرند. ضرایبی که بالاتر از ۹/۰ باشند، قابل قبول در نظر گرفته می‌شوند. هر چند که این سطح نیز مانند سطح خطای ۰۵/۰ اختیاری است(هومن، ۱۳۸۷، ۴۳). عاقلانه این است که همه این شاخص‌ها با هم در نظر گرفته و در گزارش قید شوند.
۴-۴-۵ تفسیر و تعبیر مدل^[۳۲۳]
به طور کلی در کار با برنامه لیزرل، هر یک از شاخص‌های بدست آمده برای مدل به تنهایی دلیل برازندگی مدل یا عدم برازندگی آن نیستند، بلکه این شاخص‌ها را باید در کنار یکدیگر و با هم تفسیر کرد. اگر هم آزمون  و هم آزمون‌های 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 می‌کنیم. جدول(۴-۱۸) بیانگر مهم‌ترین این شاخصها می‌باشد و نشان می‌دهد که الگو در جهت تبیین و برازش از وضعیت مناسبی برخوردار است، تمامی این شاخص‌ها حاکی از تناسب مدل با داده های مشاهده شده می‌باشد. شاخص‌های تناسب مدل، بیانگر مناسب بودن مدل اندازه‌گیری می‌باشد. زیرا نسبت کای‌دو بر درجه آزادی کمتر از ۳، شاخص RMSEA کمتر از ۰۹/۰ و مابقی شاخص‌ها نیز قابل قبول هستند. به بیان دیگر، مدل و چارچوب کلی معنیدار و قابل پذیرش است.
جدول۴-۷ شاخص‌های برازش مدل