‏۴-۴: جدول فراوانی مربوط به وضعیت افراد پاسخ دهنده از نظر میزان تحصیلات
‏۴-۵: نمودار فراوانی مربوط به وضعیت افراد پاسخ دهنده از نظر میزان تحصیلات
تحلیل استنباطی داده ها
بعد از تجزیه تحلیل توصیفی داده ها، به تحلیل استنباطی داده ها می پردازیم. در تجزیه تحلیل استنباطی، فرضیه های تحقیق مورد ارزیابی و آزمون قرار می گیرند.
ارزیابی تناسب مدل^[۱۰۱]
وقتی گفته می‌شود مدل با یکسری داده‌های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده های مشاهده شده هم ارز (معادل) باشد یعنی وقتی ماتریس باقیمانده و عوامل (عناصر آن) نزدیک صفر باشند.البته این تناسب به روش تخمین، به مدل، ویژگی‌های داده های مشاهده شده و غیره. بستگی دارد.
مهم‌ترین شاخص تناسب مدل^[۱۰۲] آزمون مجذور کای است. البته استفاده از این آزمون متضمن رعایت یکسری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یکسری شاخص‌های ثانویه^[۱۰۳] 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 از قبیل^[۱۰۴] GFI ^[۱۰۵]NFI, و AGFI^[106]، شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به طور خلاصه برخی از شاخص‌های تناسب مدل را شرح می‌دهیم:
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 معنادار 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.
۲- شاخص، GFIA GFI
این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی‌گیرد. مقدار مطلوب آن می‌بایستی از ۹۰% بیشتر باشد. البته این مقادیر می‌تواند برای مدل‌هایی که به گونه ضعیفی فرمول بندی شده‌اند، بزرگ باشد. درباره کاربرد آن توافق کلی وجود ندارد.
۳- شاخص^[۱۰۷] RMSR یا RMR
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 یک شاخص با ارزشی است هنگامی که میانگین واریانس- کوواریانس داده‌ها شناخته شده باشد. ارزیابی آن هنگامی که ماتریس واریانس-‌‌کوواریانس غیراستاندارد مورد استفاده قرار می‌گیرد، سخت و مشکل است.
هر چند از میان شاخص‌های فوق، به گونه کلیRMSEA^[108] به عنوان شاخص مطلوب و GFI به عنوان بهترین شاخص درنظر گرفته می‌شود، اما درباره آن‌ها توافق کلی وجود ندارد. شاخص‌های برازندگی به گونه کلی در دامنه بین صفر و یک قرار داده می‌شود. ضرایبی که بالاتر از ۹/۰ باشد، قابل قبول در نظر گرفته می‌شود. (هر چند این سطح نیز مانند سطح خطای ۰۵/۰ اختیاری است. (هومن، ۱۳۸۷،۴۳) عاقلانه است همه آن‌ها در گزارش قید شوند.
‏۴-۶: راهنمای شناسایی علائم اختصاری متغیرهای مدل