شاخص­ های مطلق تابعی از برنامه­ی Amos (مانند تابع برازندگی بیشینه احتمال یا نسبت درستنمایی مقیاس­بندی شده) را به گونه ­ای به کار می­برند که ریشه­ میانگین باقی مانده، آزمون مجذور کای و نسبت  به درجه آزادی، شاخص برازندگی (GFI) و شاخص تعدیل یافته برازندگی(AGFI) را مینیمم کند. در میان شاخص­ های مطلق مجذور کای و نسبت  به درجه آزادی، به قدرمطلق باقی مانده ها توجه دارد. مشخصه­ی مجذور کای برای یک مدل کاملاً برازش یافته برابر صفربوده و نسبت  (نسبی مجذورکای به درجه آزادی) در یک برازش ایده آل برابر ۱ خواهد بود.

دیگر شاخص مطلق، شاخص ریشه­ میانگین مجذور باقی مانده­ها (RMR) می­باشد. این مقدار در واقع تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس­های برآورد یا پیش بینی شده با فرض درستی مدل مورد نظر است. مانده­های برازش یافته از تفاضل ماتریس کواریانس نمونه از ماتریس کواریانس برازش یافته حاصل می­ شود. هرچه مقدار این شاخص به صفر نزدیک­تر باشد، مدل مذکور برازش بهتری دارد.
شاخص­ های برازندگی GFI و AGFI که چارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده ­اند بستگی به حجم نمونه ندارد و نشان می­دهد که مدل تا چه حد نسبت به عدم وجود آن، برازندگی بهتری دارد. شاخص GFI برپایه­ی تابع برازندگی F طبق فرمول زیر محاسبه می­ شود،
در این رابطه  معرف ساختار کواریانس برای متغیرهای مشاهده شده تصادفی،  معرف ماتریس کواریانس گروه نمونه،  مقداری از  است که  را مینیمم می­ کند و  تابع برازندگی در شرایطی است که همه پارامترهای مدل برابر با صفر باشند. این مشخصه در واقع مقدار نسبی واریانس­ها و کواریانس­ها را به گونه­ مشترک از طریق مدل ارزیابی می­ کند و دامنه­ تغییرات آن بین صفر و یک است. شاخص GFI هرچند مشابه  است ولی نمی­تواند به عنوان درصد خطای تبیین شده به وسیله­ مدل تفسیر شود زیرا درصد کواریانس­های مشاهده شده­ای است که از طریق کواریانس­های دیکته شده به وسیله ی مدل تبیین می­ شود. چون GFI نسبت به سایر مشخصه­های برازندگی اغلب بزرگتر است، برخی از پژوهشگران نقطه برش ۹۵/۰ را برای آن پیشنهاد کرده ­اند. برپایه ی قرارداد مقدار GFI باید برابر یا بزرگتر از۹/۰باشد تا مدل مورد نظر پذیرفته شود.
مقدار تعدیل یافته شاخص برازندگی برای درجه آزادی (یعنی AGFI) برپایه­ی فرمول زیر بدست می ­آید:
که در آن  تعداد اندازه ها در مدل و  بیانگر درجه آزادی مدل است. کمترین مقدار  و  باید صفر باشد، هرچند از لحاظ نظری ممکن است مقدار آن منفی و فاقد معنا شود. البته منفی بودن آن ها نشانه­ی آن است که مدل مورد نظر بسیار ضعیف بوده است.  با مدل­های دقیقاً همانند و  با مدل­هایی که دارای برازندگی بسیار ضعیف یا مبتنی بر نمونه­های باحجم کوچک باشد، همراه است. مقدار  مطلوب نیز باید بزرگ تر از ۹/۰ باشد.
۳-۹-۳ شاخص­ های نسبی
شاخص­ های نسبی در پی پاسخ به این سوال است که یک مدل بخصوص در مقایسه با سایر مدل­های ممکن از لحاظ تبیین مجموعه ­ای از داده ­های مشاهده شده تا چه حد خوب عمل می­ کند؟ رایج­ترین مدل­های نسبی، به مدل صفر معروف هستند زیرا در ماتریس واریانس- کواریانس تنها واریانس­ها را برازش می­ دهند و فرض می­ کنند همه کواریانس­ها برابر با صفر هستند.
برخی از شاخص­ های نسبی که مارش و همکاران(۱۹۸۸) به آن نوع اول می­گویند برازش دو مدل مختلف را با هم مقایسه می­ کنند. یکی از شاخص­ های نسبی نوع اول که قبلا به گونه­ گسترده به کار می­رفت، شاخص نرم شده برازندگی (NFI یاDELTA1) بوده است که مستلزم مفروضه­های مجذور کای نیست. این شاخص در حال حاضر به سبب آنکه تحت تأثیر حجم نمونه بوده است و برای نمونه­های با حجم کم ضعیف است توصیه نمی­ شود. سایر شاخص ­ها که نوع دوم نام دارند ضمن آن که مدل­ها را مقایسه می کنند، اطلاعاتی درباره مقدار مورد انتظار مدل­ها تحت یک توزیع مرکزی مجذور کای نیز بدست می­ دهند. شاخص­ های نوع دوم مختلفی وجود دارند که به صورت گسترده مورد استفاده قرار می­گیرند و نسبت به شاخص­ های مطلق یا نوع اول هماهنگی بیشتری با حجم نمونه دارند. یکی از این شاخص ­ها که اهمیت بسیاری دارد فرمول کلاسیک تاکر- لویز(۱۹۷۳) است که به وسیله ی بنتلر و بونت(۱۹۸۰) توسعه یافته و نه تنها در مقایسه­ یک مدل با مدل صفر بلکه در مقایسه­ مدل­های مختلف نیز کاربرد فراوان دارد. این شاخص اغلب شاخص نرم شده برازندگی (NNFI) نیز نامیده می­ شود.
علاوه براین هیو و بنتلر (۱۹۹۵) شاخص­ هایی نوع سوم و چهارم را نیز معرفی کردند. شاخص­ های نوع سوم، مقایسه­ مدل­ها را همراه با اطلاعاتی درباره مقدار مورد انتظار تحت توزیع غیر مرکزی مجذور کای و شاخص­ های نوع چهارم عمل مقایسه با اطلاعاتی درباره سایر شکل­های توزیع انجام می­دهد. شاخص برازندگی بنتلر(BFI) که از سوی مک دونالد و مارش (۱۹۹۰)  شاخص غیرمرکزی (RNI) توسعه یافته نامیده شد و شاخص برازندگی تطبیقی (CFI) از این نوع می­باشند.
۳-۹-۴ شاخص­ های تعدیل یافته
شاخص­ های تعدیل یافته این پرسش را مطرح می­ کنند که مدل مورد نظر چگونه برازندگی و صرفه جویی یا ایجاز را با هم ترکیب می­ کنند؟ نکته­ای که دارای اهمیت بسیاری است این است که اکثر مدل­ها وقتی می­توانند به داده ­ها برازش یابند که پارامترها به اندازه کافی برآورد شوند. بنابراین مدل­هایی ارزشمند است که تغییر پذیری داده ­ها را با تعداد نسبتاً کمی از پارامترهای آزاد توجیه کند. برخی از شاخص­ هایی که تاکنون معرفی شدند انواع گوناگونی دارند که در آنها برای مدل های مورد مقایسه ارزیابی مستقیمی از میزان صرفه­جویی و ایجاز نیز در نظر گرفته می­ شود. جیمز، مولائیک و برت (۱۹۸۲) شاخصی از این نوع با نماد PGFI برای شاخص GFI در نرم افزار لیزرل به صورت زیر ارائه کرده ­اند:

در این رابطه  نشان­دهنده درجه آزادی مدل مورد نظر و مخرج کسر نیز بیانگر درجه آزادی مدل استقلال برای  اندازه است. چون GFI یک شاخص مطلق است مخرج کسر تعدیل­یافته آن برابر با تعدادکل درجات آزادی موجود در ماتریس واریانس-کواریانس است. مولائیک و همکاران (۱۹۸۹) برای شاخص­ های نسبی نیز دو شاخص نسبی PNFI و PNFI2 را به ترتیب برای شاخص نرم­شده برازندگی و برای مدل نوع ۲ معرفی کرده ­اند.
توجه کنید که در شاخص­ های نسبی درجه آزای مدل صفر به صورت مخرج کسرهای بالا تعریف می­ شود.
۴-۱ مقدمه
تجزیه و تحلیل داده‌ها فرایند چند مرحله ای است که طی آن داده‌هایی که از طریق به‌کارگیری ابزارهای جمع آوری در نمونه (جامعه) آماری فراهم آمده‌اند، خلاصه، کد­بندی و دسته­بندی و در نهایت پردازش می‌شوند تا زمینه برقراری انواع تحلیل‌ها و ارتباط بین این داده‌ها به منظور آزمون فرضیه‌ها فراهم آید. در واقع تحلیل اطلاعات شامل سه عملیات اصلی می‌باشد: ابتدا شرح و آماده سازی داده ­های لازم برای آزمون فرضیه‌ها، سپس تحلیل روابط میان متغیرها و در نهایت مقایسه نتایج مشاهده شده با نتایجی که از فرضیه‌ها انتظار داشتند.
تجزیه و تحلیل اطلاعات از اصلی‌ترین و مهم‌ترین بخش‌های تحقیق محسوب می‌شود. داده ­های خام با بهره گرفتن از نرم­افزار آماری مورد تجزیه و تحلیل قرار می‌گیرند و پس از پردازش به شکل اطلاعات در اختیار استفاده­کنندگان قرار می‌گیرند.
برای تجزیه و تحلیل داده ­های جمع­آوری شده آمار تحلیلی به دو صورت آمار توصیفی و استنباطی مطرح می‌گردد. در ابتدا با بهره گرفتن از آمار توصیفی، شناختی از وضعیت و ویژگی‌های جمعیت شناختی پاسخ دهندگان حاصل گردیده و ادامه در آمار استنباطی این تحقیق و با بهره گرفتن از نرم افزار آموس ۲۲ به بررسی فرضیات تحقیق پرداخته می­ شود.
۴-۲ آمار توصیفی
۴-۲-۱ توصیف ویژگی­های جمعیت شناختی
۴-۲-۱-۱ توصیف ویژگی­های جنسیت
جدول (۴-۱). توزیع فراوانی پاسخ ­دهندگان برحسب جنسیت

نمودار (۴-۱). درصد فراوانی پاسخ ­دهندگان برحسب جنسیت
در بررسی حاضر از بین ۱۹۰ پاسخ­دهنده و مطابق ­با جدول و نمودار (۴-۱)؛ ملاحظه می­گردد که ۱۳۰ نفر (۶۸%) از پاسخ ­دهندگان مرد و ۶۰ نفر (۳۲%) از پاسخ ­دهندگان زن می­باشند.