در این تحقیق به منظور برازش مدل و همچنین تجزیه و تحلیل نتایج به دست آمده از تحلیل‌های عاملی با بهره گرفتن از نرم‌افزار AMOS از شاخص‌های معینی جهت درست نمایی بارهای عاملی به دست آمده استفاده خواهیم کرد و با بهره گرفتن از تجمیع این شاخص‌ها و مقادیر به دست آمده فرضیات تحقیق را مورد آزمون قرار خواهیم داد. شاخص‌های متفاوتی جهت تعیین برازندگی مدل با واقعیت وجود دارد که از برخی از آنها در این تحقیق استفاده شده است. برخی از شاخص‌های استفاده شده در این تحقیق مطابق جدول ۳-۵ می‌باشد که البته در مورد دامنه مورد قبول آنها در فصل بعد توضیحات کامل ارائه می‌گردد.
جدول ۳-۵ : شاخص‌های برازش

GFI و AGFI : شاخص های برازندگی GFI و AGFI که چارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده اند بستگی به حجم نمونه ندارد و نشان می دهد که مدل تا چه حد نسبت به عدم وجود آن ، برازندگی بهتری دارد.
RMR : شاخص ریشه ی میانگین مجذور باقی مانده ها؛ این مقدار در واقع تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس های برآورد یا پیش بینی شده با فرض درستی مدل مورد نظر است.مانده های برازش یافته از تفاضل ماتریس کواریانس نمونه از ماتریس کواریانس برازش یافته حاصل می شود. هرچه مقدار این شاخص به صفر نزدیک تر باشد ، مدل مذکور برازش بهتری دارد.
NFI: این شاخص به مقایسه مدل مستقل (مدلی که در آن بین متغیرها هیچ رابطه‌ای نیست، به این مدل، مدل پایه نیز گفته می‌شود) با مدلی که توسط ما پیشنهاد داده می‌شود، می‌پردازد. این شاخص هرچه به عدد یک نزدیک‌تر باشد به این معناست که مدل پیشنهادی ما مناسب بوده است.

بطوریکه، A مقدار آماره خی دو تحت مدل مستقل و B مقدار آماره خی دو تحت مدل پیشنهادی هستند.
RFI : شاخص برازش نسبی است و مناسبت مدل ارائه شده را می‌سنجد، هرچه مقدار RFI به یک نزدیک‌تر باشد، مدل بهتر است.
IFI : این معیار شاخص برازش نمونه است، هرچه مقدار IFI به یک نزدیک‌تر باشد نتیجه می‌گیریم که مدل پیشنهادی مناسب است.
CFI: این معیار شاخص برازش مقایسه‌ای است، هرچه مقدار CFI به یک نزدیک‌تر باشد نتیجه می‌گیریم که مدل پیشنهادی مناسب است.

در این فرمول نیز مقادیر A، B، d و  همانند قبل تعریف می‌شوند. هرچه مقدار CFI به یک نزدیک‌تر باشد نتیجه می‌گیریم که مدل پیشنهادی مناسب است.
RMSEA : این شاخص نشان دهنده جذر میانگین مربعات خطای تقریبی است و به صورت تفاضل بین مجموع مربعات خطای کلی و مجموع مربعات خطای مدل پیشنهادی محاسبه می‌شود. در صورتی که مقدار RMSEA از ۰/۰۵ کمتر باشد نتیجه می‌گیریم مدل مناسب است. در صورتی که مقدار آن بین ۰/۰۵ تا ۰/۰۸ باشد، مدل برازش داده شده مناسب و در صورتی که از ۰/۱ بالاتر باشد نتیجه می‌گیریم که مدل برازش داده شده ضعیف است.
۳-۹ همبستگی
ضریب همبستگی شدت رابطه و همچنین نوع رابطه (مستقیم یا معکوس) را نشان می­دهد. این ضریب بین ۱ تا ۱- می­باشد و درصورت عدم وجود رابطه بین دو متغیر برابر صفر می­باشد. این آزمون با توجه به فرضیات زیر به بررسی ارتباط بین دو متغیر می ­پردازد.
فرض (H₀): همبستگی معنی­دار بین دو متغیر وجود ندارد.
فرض (H₁): همبستگی معنی­دار بین دو متغیر وجود دارد.
نحوه داوری در مورد وجود یا عدم وجود ارتباط براساس سطح معنی­داری به­دست آمده صورت می­پذیرد. بدین ترتیب که اگر sig آزمون کوچکتراز ۰۵/۰ باشد فرض H₀ رد شده و بین دو متغیر ارتباط معنی­داری وجود دارد.
جدول ۴-۳۱ : نحوه داوری میزان عددی ضریب همبستگی