۰(عدم پذیرش) تا ۱(برازش کامل)

شاخص برازش هنجار شده یا شاخص برازش بنتلر- بونت

Normed Fit Index Bentler- Bonett Index

NFI

۰(عدم پذیرش) تا ۱(برازش کامل)

شاخص توکر لوئیس یا شاخص برازش هنجار نشده

Tucker-lewis Index Non- Normed Fit Index

TLI

۰(عدم پذیرش) تا ۱(برازش کامل)

شاخص برازش تطبیقی

Comparative Fit Index

CFI

۰(عدم پذیرش) تا ۱(برازش کامل)

ریشه میانگین مربعات خطای برآورد

Root Mean Squared Error of Approximation

RMSEA

کوچکتر از ۰۵/۰

ریشه میانگین مربعات باقیمانده

Root Mean Squared Residual

RMR

نزدیک به صفر باشد

۳-۱۰-۱-۱- معیار کای اسکوئر^[۷۲]
کای اسکونر را می­توان به عنوان عمومی­ترین و پرکاربردترین معیار برازش در مدلسازی معادله ساختاری تلقی کرد. درباره تفسیر مقدار کای اسکوئر می­توان اظهار کرد که هر چه مقدار آن کوچکتر باشد، برازش داده ­ها به مدل بهتر است، تا جایی که مقدار صفر برای آن نشانه برازش کامل است. مقدار ای اسکوئر به لحاظ نظری در دامنه بین صفر تا بی­نهایت تغییر می­ کند. از نظر گروه متخصصین آمار دانشگاه ایالتی کالیفرنیای شمالی (۲۰۰۸) به چند دلیل قضاوت درباره برازش مدل، که صرفاً بر مبنای مقدار کای اسکوئر و سطح معناداری آن انجام شده باشد می ­تواند گمراه کننده باشد و بنابراین پژوهشگر اغلب نیازمند توجه به معیارهای برازش دیگری برای تصمیم ­گیری نهایی است (قاسمی، ۱۳۸۹). این دلایل به شرح زیر هستند:

هر چه مدل پیچییده­تر باشد، احتمال برازش بهتر داده ­ها به مدل افزایش می­یابد به نحوی که در یک مدل اشباع_­­شده، برازش مدل کامل خواهد بود.
با توجه به حساسیتی که مقدار کای اسکوئر به حجم نمونه دارد با افزایش حجم نمونه، به طور کلی احتمال رد فرضیه صفر افزایش می­یابد.
این شاخص همچنین نسبت به انحراف از مفروضه نرمال بودن چندگانه بسیار حساس است.
۳-۱۰-۱-۲- کای اسکوئر هنجار شده یا نسبی^[۷۳]
یکی از شاخص­ های عمومی برای به حساب آوردن پارامترهای آزاد در محاسبه شاخص برازش، کای اسکوئر به هنجار یا نسبی است که از تقسیم ساده مقدار کای اسکوئر بر درجه آزادی مدل محاسبـه می­ شود. اغلب مقادیر بین ۲ تا ۳ را برای این شاخص قابل قبول می­دانند. با این حال دیدگاه ­ها در این باره متفاوت است. شوماخر و لومکس (۱۳۸۸) مقادیر بین ۱ تا ۵، کارماینز و مک ایور (۱۹۸۱) مقادیر بین ۲ تا ۳، اولمن (۲۰۰۱) مقادیر بین ۱ تا ۲ و کلاین (۲۰۰۵) مقادیر بین ۱ تا ۳ را قابل قبول می­دانند (قاسمی، ۱۳۸۹).
۳-۱۰-۱-۳- معیار نیکوئی برازش (GFI) و نیکوئی برازش اصلاح شده (AGFI)
نرم افزار لیزرل از قابلیت محاسبه شاخص نیکوئی برازش (نسبت مجموع مجذورات تبیین شده توسط مدل به کل مجذورات ماتریس برآورد شده در جامعه) برخوردار است. این شاخص از لحاظ مطلوبیت به ضریب همبستگی شباهت دارد. هر دوی این معیارها بین صفر تا یک متغیر هستند؛ گرچه از لحاظ نظری ممکن است منفی باشند (گرچه نباید چنین اتفاقی بیفتد زیرا حاکی از عدم برازش قطعی مدل با داده­هاست). هرچه GFI و AGFI به عدد یک نزدیک­تر باشند، نیکوئی برازش مدل با داده ­های مشاهده شده بیشتر است (شوماخر و لومکس، ۱۳۸۸).
۳-۱۰-۱-۴- معیار برازش هنجار شده بنتلر- بونت (NFI)
این شاخص اولین­بار توسط بنتلر و بونت (۱۹۸۰)، در مقاله­ای با عنوان آزمون­های معناداری و نیکوئی برازش در تحلیل ساختارهای کوواریانس مطرح شد. مهمترین نقطه ضعف آن، عدم حساسیتش به افزودن پارامتر به مدل است به نحوی که هر چه پارامتر به مدل افزوده می­ شود مقدار این شـاخص نیز افزایش می‌یابد. مقدار قابل قبول برای این شاخص حداقل ۹۰/۰ و مقداری که نشان­دهنده یک برازش خوب است حداقل ۹۵/۰ در نظر گرفته شده است (قاسمی، ۱۳۸۹).
۳-۱۰-۱-۵- معیار توکر- لوئیس (TLI)