جدول ‏۴‑۱۸: ضرایب مسیر، آماره­ی t و ضریب تعیین (متغیر وابسته: دانشگاه کارآفرین)

با توجه به ضریب مسیر ۳۴/۰ و همچنین آماره t به مقدار ۰۵/۷ می توان گفت: محیط در سطح اطمینان ۹۹ درصد با دانشگاه کارآفرین رابطه معنادار و مثبتی دارد.
مقدار ضریب تعیین چندگانه () برابر ۱۱/۰ شده است. این ضریب توانایی پیش بینی متغیر وابسته توسط متغیر مستقل را بررسی می کند. بر این اساس متغیر محیط روی هم رفته توانسته است ۱۱ درصد از تغییرات دانشگاه کارآفرین را پیش بینی کنند.
تحلیل عاملی تاًییدی به بررسی این مطلب می پردازد که آیا داده های موجود با ساختار به شدت محدود شده پیش تجربی که شرایط همانندی را برآورد می سازد، برازش دارد یا خیر. در این فرایند، برازش را گاه به اشتباه، تاًیید یک مدل یا ساختار فرضی می دانند. اما باید دانست که هیچ مدلی هرگز تاًیید نمی شود و تنها می تواند رد شود (با داده ها برازش نداشته باشد) یا عدم تاًیید آن به نتیجه نرسد (برازش یابد). چون مدل معادله کامل معادله ساختاری شامل هر دو دسته متغیرهای مشاهده شده و مشاهده نشده است و پارامترهای مدل باید از طریق پیوند بین واریانس ها و کوواریانس های متغیرهای مشاهده شده و پارمترهای مدل چنانکه توسط پژوهشگر مشخص شده است، برآورد شود تا میزان برازش داده های گردآوری شده با الگوی نظری مشخص شود(کلاین، ۱۳۸۱).
مجموعه وسیعی از معیارها و شاخص های برازندگی^[۱۹۴] وجود دارند که می توانند برای اندازه گیری برازش کل مدل مورد استفاده قرار گیرند. متاسفانه هیچ کدام از اینها در تمام جهات نسبت به بقیه برتری ندارند. زیرا یک شاخص برازندگی خاص نسبت به حجم نمونه، روش تخمین، پیچیدگی مدل، مفروضات مربوط به نرمال بودن یا ترکیبی از شرایط فوق به طور متفاوت عمل می کندو از این رو افراد مختلف بسته به شرایط مدل ممکن است شاخص های مختلفی را برای برازش مدل مورد استفاده قرار دهند ( کلانتری، ۱۳۸۸؛ ۱۲۸-۱۲۹). بنابراین از شاخص های متفاوتی برای سنجش برازش الگوی مورد مطالعه در این تحقیق استفاده شد که عبارتند از:

ریشه میانگین خطای دوم تقریب: اولین معیار برای تعیین برازش کل مدل، ریشه میانگین توان دوم خطای تقریب است که تحت عنوان (RMSEA^[195]) نشان داده می شود. زمانی که مقدار این آماره کمتر از ۰۵/۰ باشد نشان می دهد که مدل از برازش خوبی برخوردار است، در صورتی که مقدار آن بین ۰۵/۰ و ۰۸/۰ باشد برازش قابل قبول، اگر بین ۰۸/۰ و ۱/۰ باشد برازش متوسط و اگر بزرگتر از ۱/۰ باشد برازش ضعیف است.
شاخص های برازش مطلق^[۱۹۶]: دو معیار بعدی برای برازش مدل به شاخص های برازش مطلق معروفند. این معیارها تحت عنوان GFI^[197], AGFI^[198] , در خروجی ظاهر می شوند. این شاخص ها باید بین صفر و یک باشند و مقادیر بالاتر از ۹/۰ حاکی از برازش قابل قبول مدل است.
شاخص های نسبی برازش: اندازه گیری های برازش بعدی که در خروجی برنامه ظاهر می شوند، به مقایسه شاخص های برازش نسبی می پردازند و نشان می دهند که تا چه حد برازش مدل نسبت به مدل خط پایه که در واقع مدل استقلال است مناسب تر می باشند. این شاخص ها عبارتند از NNFI^[199], NFI^[200], CFI^[201]. به استثنای شاخص NNFI مقادیر تمام شاخص های این گروه بین صفر و یک قرار دارند و هر چه مقدار ان ها به یک نزدیکتر باشد نشان دهنده برازش خوب مدل است (مقدار NNFI می تواند بزرگ تر از یک باشد). برخی منابع استفاده از NNFI (که آن را شاخص تاکر – لوئیس^[۲۰۲] – TLI- نیز می گویند) را برای برازش مدل توصیه می کنند.
جدول ‏۴‑۱۹: شاخص های برازش مدل