Sau khi phân tích hệ số tin cậy Cronbach alpha, các thang đo được đánh giá tiếp theo bằng phương pháp phân tích nhân tố EFA để thu nhỏ và gom các biến lại thành các nhân tố, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
Điều kiện cần áp dụng để phân tích nhân tố là các biến phải có tương quan với nhau. Sử dụng kiểm định Bartlett (Bartlett’s test of sphericity) để kiểm định giả thuyết H0 là các biến không có tương quan với nhau trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1, còn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi bình phương (chi-square) từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì ta càng có khả năng bác bỏ giả thuyết này. Nếu giả thuyết H0 không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, trang 30, 32).
Trong phân tích nhân tố, chỉ số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của việc phân tích nhân tố. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố 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 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, trang 31).
Phân tích nhân tố thường được tiến hành theo phương pháp trích yếu tố phân tích nhân tố chính (Principal Component Analysis) với phép xoay nhân tố giữ nguyên góc các nhân tố (Varimax) (Mayers, L.S, Gamst., Guarino A.J, 2000).
Sau khi xoay các nhân tố, trọng số nhân tố (factor loading) phải > 0.5. Theo Hair et al. (1998), trọng số nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA. Trọng số nhân tố lớn hơn 0,3 được xem là đạt mức tối thiểu, lớn hơn 0,4 được xem là quan trọng, lớn hơn 0,5 được xem là có ý nghĩa thiết thực. Tiêu chuẩn khác biệt trọng số nhân tố của một biến quan sát giữa các nhân tố lớn hơn hay bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun and Al Tamimi, 2003). Phương sai trích phải đạt từ 50% trở lên Hair et al. (1998). Ngoài ra, trị số eigenvalue phải lớn hơn 1. Chỉ những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, trang 34).
Sau khi phân tích nhân tố xong sẽ hiệu chỉnh mô hình lý thuyết theo kết quả phân tích nhân tố và tiến hành phân tích hồi quy tuyến tính bội.