شاخص توکر – لوئیس تلاش می­ کند تا نقطه ضعف شاخص بنتلر – بونت در بحساب نیاوردن جریمه شاخص برای افزودن پارامتر را مرتفع کند. این شاخص بر مبنای متوسط ضرایب همبستگی بین متغیرها در مدل قرار دارد. هر چه این ضرایب کوچکتر باشند، شاخص توکر- لوئیس نیز مقدار کوچکتری را نشان خواهد داد. از این شاخص در دو جهت می­توان استفاده کرد؛ اول، مقایسه دو یا چند مدل متفاوت با داده‌های یکسان و دوم، مقایسه مدل مفروض با یم مدل صفر نظیر مدل استقلال. این شاخص نیز بین یک تا صفر تغییر می­ کند و مقدار ۹۵/۰ یا بیشتر منعکس کننده یک مدل خوب است. اگر این شاخص بزرگتر از یک شود برابر با یک قرار داده خواهد شد. این معیار به نام معیار برازش هنجار نشده یا NNFI نیز خوانده می­ شود (قاسمی، ۱۳۸۹).

۳-۱۰-۱-۶- معیار برازش تطبیقی (CFI)
یکی دیگر از شاخص­ های برازش مدل، شاخص برازش تطبیق است. این شاخص نیز بر مبنای همبستگی بین متغیرهای حاضر در مدل قرار دارد؛ به نحوی که ضرایب بالای همبستگی بین آنها به مقادیر بالای شاخص برازش تطبیقی می­انجامد. هر اندازه که مقدار این شاخص به یک نزدیک باشد مناسب است و اگر مقدار آن از یک بزرگتر شود آن را برابر با یک قرار می­ دهند (قاسمی، ۱۳۸۹).
۳-۱۰-۱-۷- معیار ریشه میانگین مربعات خطای برآورد (RMSEA)
این شاخص برای اولین­بار توسط اشتایگر معرفی شده است. این شاخص بر مبنای تحلیل ماتریس باقیمانده قرار دارد و از ویژگی­های مهمی برخوردار است. برخلاف بسیاری از معیارهای برازش دیگر در مدلسازی که تنها دارای برآورد نقطه­ای هستند، این شاخص برای فواصل اطمینان مختلف نیز قابل محاسبه است که می­توان با بهره گرفتن از آن­ها مشخص کرد که آیا مقدار به دست آمده برای مدل تدوین شده با مقدار ۰۵/۰ تفاوت معنادار دارد یا خیر؛ مقداری که اغلب بعنوان نقطه برش برای مدل­های خوب و بد شناخته می­ شود. مقدار RMSEA که در حقیقت همان آزمون انحراف هر درجه آزادی است، برای مدل­هایی که برازندگی خوبی داشته باشند، ۰۵/۰ یا کمتر است. مقادیر بالاتر از ۰۸/۰ نشان­دهنده خطای معقولی برای تقریب در جامعه است و در مدل­هایی که مقدار آن­ها ۱/۰ یا بیشتر است برازش ضعیفی دارند. توجه به این نکته ضروری است که مقدار این معیار هنگامی که درجه آزادی کوچک است و حجم نمونه نیز بزرگ نیست می ­تواند گمراه کننده باشد.
رکس. پی. کلاین (۲۰۰۵)، خاطر نشان می­سازد که این شاخص به دلیل ترکیب منحصر به فرد ویژگی­هی مختلف مورد توجه بسیار قرار گرفته است. مقدار این شاخص برابر با صفـر تنها نشان می­دهد که کای اسکوئر مدل از درجه آزادی مدل کوچک­تر است نه آنکه لزوماً کای اسکوئر برابر صفر باشد. چنانچه حد پایین این فاصله اطمینان کوچکتر از ۰۵/۰ باشد، مدل تدوین شده به واقعیت جامعه آماری نزدیک تلقی می‌شود. در حال آرمانی انتظار داریم که حد پایین این شاخص برابر صفر باشد. در هر حال وجود حجم نمونه اندک می ­تواند به حالتی بغرنج بیانجامد که حد پایین شاخص از ۰۵/۰ کوچکتر و حد بالای آن از ۱/۰ بزرگ­تر باشد (قاسمی، ۱۳۸۹).
۳-۱۰-۱-۸- معیار ریشه میانگین مربعات باقیمانده (RMR)
ماتریس باقیمانده یکی از ماتریس­های مهمی است که هم می ­تواند برای ارزیابی برازش کلی (مدل تدوین شده) و هم برازش جزئی (پارامتر تعریف شده بین دو متغیر) مورد استفاده قرار گیرد. این شاخص یکی از شاخص­هی برازشی است که از آن برای مقایسه دو مدل متفاوت با داده ­های یکسان استفاده می­ شود. حداقل مقدار برای این شاخص صفر است، یعنی حالتی که برازش کامل و ماتریس باقیمانده یک ماتریس صفر است (ماتریسی که همه درایه­های آن صفر) است. اما حداکثر آن با توجه به مقادیر کوواریانس­ها در ماتریس باقیمانده می ­تواند عددی کوچک یا بزرگ باشد. در هر حال کوچکتر بودن مقدار RMR برای یک مدل در مقایسه با مدل دیگر می ­تواند به عنوان یکی از معیارهای بهتر بودن آن مدل تلقی شود (قاسمی، ۱۳۸۹).
۳-۱۱- تحلیل همبستگی­ پیرسون
ابتدا لازم است تا فرض همبستگی معنادار بین دو متغیر ثابت شود و سپس در صورت داشتن همبستگی معنادار، از تحلیل مسیر (مدل معادلات ساختاری) برای شناسایی میزان اثر یک متغیر بر روی متغیرهای دیگر استفاده شود. مقدار این ضریب همواره بین ۱- تا ۱+ می­باشد و هر چه این مقدار به صفر نزدیک­تر باشد نشان ­دهنده عدم رابطه بین دو متغیر می­باشد. هرچه مقدار ضریب همبستگی به ۱- نزدیک­تر باشد نشان‌دهنده قوی­تر بودن رابطه عکس بین دو متغیر می­باشد و هرچه به ۱+ نزدیک­تر باشد نشان­دهنده رابطه مثبت و هم جهت بین دو متغیر می­باشد. محاسبه ضریب همبستگی پیرسون با فرمول زیر می­باشد (قاسمی، ۱۳۸۹). نتایج آزمون همبستگی در جدول ۳-۸ ارائه شده است.
(۳-۳)
جدول ۳-۸- نتایج آزمون همبستگی