۴- آزمون فرضیه

۵- تفسیر مدل

۶- ابلاغ یا نوشتن گزارش تحقیقاتی

در هر گام محقق باید در مورد، موارد زیر تصمیماتی را اتخاذ کند.

• مدل چگونه ساخته شود؟

• • چه شاخصها و چه تعداد شاخص برای متغیرهای مکنون مورد نیاز است؟

• چگونه می‌بایستی خطاهای اندازه‌گیری را به طور جداگانه اداره نمود؟

• چه مقدار نمونه برای تخمین مدل مورد نیاز است؟

• از چه نوع ماتریسی استفاده شود؟ (لاو،۱۹۸۸)

در ذیل سعی می‌شود هر یک از مراحل به تفضیل شرح داده شود.
الف – مرحله بیان مدل
مدل معادلات ساختاری با بیان مدلی که می‌خواهد تخمین زده شود؛ شروع می‌شود. در ساده‌ترین سطح مدل، یک عبارت آماری درباره روابط میان متغیرها است. این مدلها در زمینه رویکردهای مختلف تحلیلی، اَشکال مختلفی به خود می‌گیرند. برای مثال یک مدل در زمینه همبستگی عموماً روابط غیر جهت‌داری را (دو طرفه) بین دو متغیر نشان می‌دهد. در حالی که رگرسیون چندگانه و تحلیل واریانس مدلهایی را با روابط جهت‌دار بین متغیرها نشان می‌دهد. (هولی،۱۹۹۵)
این مرحله یکی از مهمترین مراحل موجود در مدل معادلات ساختاری است. زیرا هیچ گونه تحلیلی صورت نمی‌گیرد مگر این که محقق ابتدا مدل خود را بیان کند. گامهای موجود در این مرحله به شرح زیر است :
۱- ساخت یک مدل ساختاری فرضی
بیان یک مدل در واقع ترجمان یک تئوری به یکسری معادلات ساختاری (ریاضی) است. بنابراین بهتر است ابتدا نمودار مسیر را ترسیم کنیم و متغیرهای درون‌زا ^[۱۹]و برون‌زا ^[۲۰]و روابط علّی بین این متغیرها را نشان دهیم.
۲- انتخاب شاخصهای مشاهده شده برای متغیرهای مکنون
بعد از مشخص کردن متغیرهای مکنون درون‌زا و برون‌زا در این گام لازم است تا برای متغیرهای مکنون شاخصها (متغیرهای مشاهده شده) مناسبی انتخاب و به آنها وصل شود بهتر است از چندین شاخص به جای یک شاخص برای اندازه‌گیری متغیر مکنون استفاده شود که این کار براساس تعریف مفهومی و تعریف عملیاتی صورت می‌گیرد.
بنابراین در پژوهش حاضر در ابتدا شاخصهای مربوط به سه منابع قدرت مدیران و جو سازمانی و تصمیم گیری بدون وجود یک ساختار عاملی به عنوان شاخصهای مشاهده شده در نظر گرفته می شود.و سپس با تحلیل عاملی مرتبه اول عوامل مربوط به این شاخصهای بدست آمده و در تحلیل عاملی مرتبه دوم خود این عوامل بدست آمده به عنوان شاخصهای مشاهده شده در نظر گرفته می شود.
۳- ارزیابی حالت تعیین ^[۲۱]مدل
قبل از مرحله تخمین و بعد از مرحله بیان حتماً می‌بایستی حالت تعین مدل مورد ارزیابی قرار گیرد. (لاو،۱۹۸۸)
تعیین یک مدل مستلزم مطالعه شرایطی برای بدست آوردن یک راه حل منحصر به فرد برای پارامترهای بیان شده در یک مدل می‌باشد (هولی،۱۹۹۵)
ب – مرحله دوم تخمین مدل
هنگامی که یک مدل بیان شد و حالت تعیین آن مورد ارزیابی قرار گرفت کار بعدی بدست آوردن تخمین‌های پارامترهای آزاد از روی مجموعه‌ای از داده‌های مشاهده شده است.
این مرحله شامل یکسری فرآیندهای تکراری است که در هر تکرار یک ماتریس کوواریانس ضمنی^[۲۲] ساخته می‌شود و با ماتریس کوواریانس داده‌های مشاهده شده مقایسه می‌گردد.
مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده^[۲۳] می‌شود و این تکرارها تا جایی ادامه می‌یابد که این ماتریس باقیمانده به حداقل ممکن برسد. (هولی،۱۹۹۵)
یعنی : Data = Model + Residual
گامهای موجود در این مرحله به شرح زیر است:
جمع‌ آوری داده‌ها
در این مرحله انتخاب اندازه نمونه مهم است. زیرا بسیاری از روش های تخمین موجود در مدل معادلات ساختاری و شاخصهای ارزیابی متناسب بودن مدل نسبت به اندازه نمونه حساس است.
بنتلر ^[۲۴]پیشنهاد نموده که همواره نسبت ۱۰ به ۱ بین اندازه نمونه و تعداد پارامترهای آزاد که می‌بایستی تخمین زده شود وجود داشته باشد.
۲- ساخت ماتریس واریانس – کوواریانس متغیرهای اندازه‌گیری شده
بعد از بیان مدل و جمع‌ آوری داده‌ها تخمین مدل با مجموعه‌ای از روابط شناخته شده بین متغیرهای اندازه‌گیری شده شروع می‌شود. این روابط در ماتریسی به نام ماتریس کوواریانس واریانس یا ماتریس همبستگی مرتب می‌شود.
۳- ایجاد یک مجموعه ای از ماتریسها برای برنامه لیزرل و اجرای آن در یک تخمین همزمان، به علت این که تخمین مدل ساختاری و مدل اندازه‌گیری به طور همزمان صورت می‌گیرد؛ ممکن است یک راه حل برای پارامترهای مدل ساختاری و مدل اندازه‌گیری به هم وابسته شوند.
بنابراین بهتر است برای جلوگیری از ابهامات تفسیری متغیرهای مکنون، ابتدا مدل اندازه‌گیری و سپس مدل ساختاری تخمین زده شود. (لاو،۱۹۸۸)
ج – ارزیابی تناسب ^[۲۵]یا برازش
یک مدل وقتی گفته می‌شود که با یکسری داده‌های مشاهده شده تناسب دارد که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده‌های مشاهده شده، معادل شده باشد. بدین معنی که ماتریس نزدیک صفر باشد. (هولی،۱۹۹۵)
گامهای موجود در این مرحله به شرح زیر است :
۱- بررسی معیار کلی تناسب مدل و قابلیت آزمون پذیری مدل و ارزیابی موضوع که آیا اصلاحات مورد نیاز است یا خیر؟
هنگامی که یک مدلی تخمین زده می‌شود برنامه نرم افزاری یکسری آمارهایی از قبیل خطای استاندارد، T – Value و غیره را درباره ارزیابی تناسب مدل با داده‌ها منتشر می‌کند.
اگر مدل قابل آزمون باشد ولی با داده‌ها به طور مناسب تناسب نداشته باشد شاخصهای اصلاحی که یک وسیله معتبر برای ارزیابی تغییرات مورد نظر در بیان مدل هستند به کار گرفته می‌شوند؛ تا مدل متناسب با داده‌ها شوند. (لاو،۱۹۸۸)
مهمترین شاخص تناسب مدل آزمون  است ولی به خاطر این که آزمون  تحت شرایط خاصی عمل می‌کند و همیشه این شرایط محقق نمی‌شود لذا یکسری شاخصهای ثانویه‌ای نیز ارائه می‌گردد. مهمترین این شاخصها عبارتند از : GFI^[26]، AGFI^[27]، RMSR^[28]
حالتهای بهینه برای این آزمونها به شرح زیر است:

• آزمون  هر چه کمتر باشد بهتر است، زیرا این آزمون اختلاف بین داده و مدل را نشان می‌دهد.

• آزمون GFI و AGFI از ۹۰ درصد بایستی بیشتر باشد.