研究者做结构方程模型时，结果可能表明拟合得很好，也可能显示拟合得不好。如果模型对数据拟合得不好，研究者通常会修正模型，随后，重新检验模型（MacCallum, Roznowski, & Necowitz, 1992）。从考察模型拟合不佳的原因角度来说，修正模型再行检验，不仅是必要的，而且是重要的。
不过，这种自然的作法，却可能让有的人感到不安，因为验证性研究取向又转回到了探索性研究取向。众所周知，科学研究就是科学探索，从而，探索性是科学研究的重要特征。在问卷编制的研究中，使用结构方程模型，体现探索性是完全合乎逻辑的。
修正模型，就是重新设定模型。在模型重新设定的过程中，需要根据修正指数（modification indices）来添加或去掉一些参数。例如，拉格朗日乘子修正指数（Lagrange Multiplier Modification index），可以提供如果一个参数自由估计时，χ2检验统计量将会减少的程度。具体地说，它表示添加哪些参数能够显著地减少整体拟合的χ2检验统计量，提高模型拟合程度。作为对照，沃德统计量（Wald statistic）可以提供如果一个参数固定为0时，χ2检验统计量将会增大的程度，这本质上等同于从模型中去掉一个不显著的参数（Kline, 2005）。
研究者考察这些指数在帮助得到正确结构方程模型时的表现，结果显示，在有的情况下，这些指数是不准确的（例如，Chou & Bentler, 2002）。因此，用拉格朗日乘子修正指数和沃德统计量进行模型修正时，需要注意重新设定模型的恰当性和准确性。显然，应当由理论来指导模型的重新设定。
有些研究者强调，对于重新设定的模型，也应当用新的样本进行检验（Worthington & Whittaker, 2006）。这种观点有道理，却不太现实。一般来说，任何研究都需要用新的样本进行检验，这是毫无疑惑的。然而，在做结构方程模型时，重新设定一个模型，就重新选取样本进行检验，不仅可行性较低，而且是矛盾的。也就是说，这样的研究者认为各个样本都是不同的，任何一个样本的研究结果，都无法适用于新的样本——否则，如果是适用的，又何必选取新的样本？同时，这样的研究者，其实希望由一个样本得到的结果，能够由新的样本来验证，从而，说明原来样本和新的样本又是一样的。
如果牢记科学研究的探索性特征，那么，研究者就不应纠结于样本问题，因为基于任何样本的科学研究都是阶段性的，都需要新的研究进行验证和探索。一些编制问卷的研究者，将收集的数据按照被试随机分成两部分，一部分用于探索性因素分析，另一部分用于验证性因素，是比较切合实际的作法。
研究者也可以根据所使用的分析单元来修正模型。例如，把分析单元由题项改为题项小包（parcels）。这种技术称为打包（parceling），意指把两个或多个题项相加或平均，形成小包。接着，把这些小包作为结构方程模型的分析单元，此时的分析单元是小包而非单个题项。采用打包技术的原因很简单，缩减分析单元，亦即变量，同时，又尽量保留原来变量的信息，做结构方程模型时，由于需要设定和估计的参数减少，容易处理。
然而，研究者在编制量表过程中不要使用打包技术，因为打包形成的题项小包，可能隐藏量表中题项之间的真正关系（Cattell, 1974）。此外，当使用题项小包时，模型误设也可能被隐藏起来（Bandalos & Finney, 2001）。
有研究者认为，由于模型重新设置是数据驱动方法（data-driven methods），因此，更适合于微调模型的情况，不太适合于对严重错设的初始模型进行大量的重新设定，毕竟，多种错设会彼此交互作用，使得重新设定变得更为困难（Gerbing & Hamilton, 1996）。这种情况表明的是，研究者对相应的结构方程模型缺乏足够理解，也就是对研究问题的认识尚处于非常初步的阶段，还无法有效检验或验证有关的研究思想。
在实际研究中，报告修正模型的并不多。例如，有人（Worthington & Whittaker, 2006）考察了做结构方程模型的14项研究，其中，只有3项研究参照修正指数，比如，拉格朗日乘子修正指数，评估模型是否应当添加参数以显著提高拟合情况。在这3项研究中，有两项的研究者进行了模型修正并且对模型重新检验。修正的内容涉及允许误差相关或因素相关。特别地，修正原始结构方程模型的两项研究，均未用新的样本对重新设定的模型进行交叉验证。此外，还有两项研究用题项小包来避免估计大量的参数以及降低误差。
总之，研究者做结构方程模型时，尤其是对研究问题已有很好的认识，如果拟合效果不佳，那么，是可以修正模型并重新检验的。同时，交叉验证的思路也可以灵活，不一定每修正一次模型就用一个新的样本进行检验。