Phân tích nhân tố khám phá là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Phân tích nhân tố là một kỹ thuật phụ thuộc lẫn nhau trong đó toàn bộ các mối liên hệ phụ thuộc lẫn nhau sẽ được nghiên cứu. Đây là quan điểm của Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) trong tập 2 cuốn “Phân tích dữ liệu nghiên cứu với SPSS”. Phương pháp này rất hữu ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Tương tự như phân tích EFA khảo sát sơ bộ đã trình bày ởchương trước, tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá bao gồm:
- Tiêu chuẩn Barlett và hệ số KMO (Kaiser-Meyer-Olkin) dùng đểđánh giá sự thích hợp của EFA. Theo đó, EFA được gọi là thích hợp khi 0.5 ≤ KMO ≤ 1. Kiểm định Bartlett xem xét giả thuyết vềđộ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 262).
- Theo Hair và ctg (1998), hệ số tải nhân tố (Factor Loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading ≥ 0.3 được xem là đạt mức tối thiểu, Factor loading ≥ 0.4 được xem là quan trọng, Factor loading ≥ 0.5 được xem là có ý nghĩa thực tiễn. Trong nghiên cứu này, nếu biến quan sát nào có hệ số tải nhân tố≤ 0.5 sẽ bị loại.
- Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
- Điểm dừng khi trích các yếu tố có hệ số Eigenvalue phải có giá trị ≥ 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008, tập 2, trang 34))
- Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố≥ 0.30 để đảm bảo giá trị phân biệt giữa các nhân tố.
- Ngoài các biến liên quan đến thông tin cá nhân của đối tượng khảo sát thì có tất cả 43 biến quan sát sau khi kiểm định độ tin cậy bằng hệ số Cronbanch’s Alpha đều thỏa mãn và được đưa vào phân tích nhân tố khám phá.
Khi phân tích EFA đối với các thang đo lòng trung thành thương hiệu của khách hàng, tác giả sử dụng phương pháp trích Principal Component Analysis với phép xoay Varimax để tối thiểu hoá sốlượng biến có hệ số lớn tại cùng một nhân tố và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1.