با آنکه انواع گوناگون آزمون‌ها که به گونه کلی شاخص‌های برازندگی(Fitting indexes) نامیده می‌شوند پیوسته در حال مقایسه، توسعه و تکامل می‌باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله‌های مختلف، شاخص‌های مختلفی را ارائه کرده­اند و حتی نگارش‌های مشهور برنامه‌های SEM مانند نرم افزارهایLisrel, Amos, EQS نیز تعداد زیادی از شاخص‌های برازندگی به دست می‌دهند.(هومن،1387 ،235) این شاخص‌ها به شیوه‌های مختلفی طبقه بندی شده اند که یکی از عمده‌ترین آنها طبقه بندی به صورت مطلق، نسبی و تعدیل یافته می‌باشد. برخی از این شاخص ها عبارتند از: الف- مجذور کای ( 2χ ) در میان شاخصهای مطلق، مجذور کای ( 2χ ) به قدرمطلق پس ماندها توجه دارد. آزمون مجذور کای (خی دو) این فرضیه را مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیرهای مشاهده شده است را می‌آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می‌باشد و نمونه بزرگ کمّیّت کای دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزایش می‌دهد. (هومن.1387. 422). ب- ریشه میانگین مجذور پس ماندها(RMR) یکی دیگر از شاخصهای مطلق است که در زبان لیزرل با RMSR  و گاه با RMS مشخص می­شود. مقدار آن به واقع ریشه دوم میانگین پس ماندها یعنی تفاوت بین بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریسهای برآورد با فرض درست بودن مدل مورد نظر است. هرچه RMR برای مدل مورد آزمون نزدیکتر به صفر باشد ، مدل مذکور برازش بهتری دارد. پ- شاخص‌های مطلق GFI وAGFI شاخص GFI مقدار نسبی واریانس‌ها و کوواریانس‌ها را به گونه مشترک از طریق مدل ارزیابی می‌کند. دامنه تغییرات GFI بین صفر و یک می‌باشد. مقدار GFI باید برابر یا بزرگتر از 90/0باشد. شاخص برازندگی دیگر AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می‌باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج (1- GFI) است. مقدار این شاخص نیز بین صفر و یک می‌باشد. مقدار AGFI نیز باید برابر یا بزرگتر از 9/0 باشد تا مدل مورد نظر پذیرفته شود.  شاخص‌های GFI و AGFI بستگی به حجم نمونه ندارد. ت- شاخص RMSEA این شاخص، ریشه میانگین مجذورات تقریب می‌باشد. شاخص  RMSEAبرای مدل‌های خوب برابر 0.05 یا کمتر است. مدلهایی که RMSEA آنها 0.1 باشد برازش ضعیفی دارند. ج- شاخصNFI وCFI و IFI شاخص برازندگی هنجار شده[55] (NFI)که شاخص بنتلر-بونت هم نامیده می‌شود) برای مقادیر بالای 90/0 قابل قبول و نشانه برازندگی مدل است. شاخص برازندگی تطبیقی (CFI)  از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها هیچ رابطه ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می‌آزماید. شاخص CFIاز لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می‌دهد، مقدار آن بر پایه قرارداد باید دست کم برابر9/0 باشد. شاخص برازندگی فزاینده(IFI) که شباهت با NFI دارد. مقدار IFI نیز بر پایه قرارداد باید دست کم 9/0 باشد تا مدل مورد نظر پذیرفته شود. شاخص‌های دیگری نیز در خروجی نرم افزار لیزرل دیده می‌شوند که برخی مثلAIC, CAIC ECVA , برای تعیین برازنده‌ترین مدل از میان چند مدل مورد توجه قرار می‌گیرند برای مثال مدلی که دارای­کوچکترین AIC,CAIC,ECVA باشد برازنده‌تر است(هومن1387 ،244-235). برخی از شاخص‌ها نیز به شدت وابسته حجم نمونه اند و در حجم نمونه‌های بالا می‌توانند معنا داشته باشند.