Phân tích nhân tố khám phá (EFA) là tên chung của một nhóm được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến. Các tiêu chuẩn các nhà nghiên cứu cần quan tâm khi phân tích nhân tố khám phá là :
Hệ số KMO (Kaiser-Meyer-Olkin): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (0.5KMO1) là điều kiện đủ để phân tích nhân tố
được xem là thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Đại lượng Bartlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan với nhau trong tổng thể, nếu kiểm định Bartlett’s Test of Sphericity có ý nghĩa thống kê (Sig0.05) thì các biến quan sát có tương quan với nhau trong tổng thể. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi phân tích EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalue ≥ 1 và được chấp nhận khi tổng phương sai trích ≥ 50%.
Tiêu chuẩn hệ số tải nhân tố (Factor Loading) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Hệ số tải nhân tố (factor loading) ≥ 0.50 (nếu biến nào có hệ số tải nhân tố <0.50 sẽ bị loại) (Hair et al, 1998). Khác biệt hệ số tải nhân tố một biến quan sát giữa các nhân tố ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun & Al-Tamimi, 2003).