Trong cuốn Phương pháp nghiên cứu khoa học trong kinh doanh của Nguyễn Đình Thọ xuất bản năm 2011 có nói sau khi đã có được thang đo thì công việc trước tiên là đánh giá độ tin cậy của thang đo, tiếp theo sau đó là sử dụng phân tích nhân tố khám phá EFA để đánh đánh giá sơ bộ tính đơn hướng, giá trị hội tụ và giá trị phân biệt của thang đo.
3.3.1.1. Đánh giá độ tin cậy thang đo
Có một phát biểu cho rằng một đo lường có giá trị nếu nó đo lường đúng cái cần đo (Campbell & Fiske, 1959), phát biểu này cho thấy sự cần thiết của một hệ số hữu hiệu cho việc đánh giá về độ tin cậy của thang đo, đó chính là hệ số Cronbach Alpha. Giá trị của Cronbach Alpha biến thiên trong khoảng [0;1], trong đó hệ số này càng cao thì càng tốt, nhưng cũng không nên quá cao (Alpha > 0,95) vì nó cho thấy các biến không khác biệt nhau, chúng đang cùng đo lường một nội dung nào đó của khái niệm (Nguyễn Đình Thọ, 2011). Tuy nhiên, khi Cronbach (1951) đưa ra hệ số tin cậy Cronbach Alpha để đo lường độ tin cậy của thang đo thì thang đo buộc phải bao gồm ba biến quan sát trở lên và không đo lường độ tin cậy cho từng biến quan sát riêng lẻ.
Cronbach (1951) cho biết các biến đo lường (biến quan sát) cùng đo lường trên cùng một khái niệm cho nên chúng phải có tương quan chặt chẽ nhau. Để kiểm tra tính tương quan này thì người ta sử dụng hệ số tương quan biến-tổng. Trên phần mềm SPSS thì sử dụng hệ số tương quan biến-tổng hiệu chỉnh, tức là tính tương quan của biến quan sát với tập hợp biến trong đó không có biến đang xem xét. Hệ số này từ 0,30 trở lên theo Nunnally & Bernstein (1994) là đạt yêu cầu, Nguyễn Đình Thọ (2011) trích dẫn. Tuy nhiên khi hệ số này bằng 1 thì có nghĩa là các biến đang cùng làm một việc giống nhau, nên loại bỏ chúng và giữ lại một biến là đủ. Theo đó, một thang đo có độ tin cậy tốt là trong khoảng [0,70-0,80], trong khi nếu Cronbach Alpha ≥ 0,60 thì thang đo đó chấp nhận được về độ tin cậy.
Ngoài ra, phần mềm SPSS còn cung cấp thêm một bảng tham số thống kê khác đó là các tham số của thang đo như Alpha và hệ số tương quan biến-tổng, nếu bỏ đi một biến quan sát nào đó trong thang đo. Bảng số liệu bổ sung này hỗ trợ cho việc loại bỏ biến quan sát của thang đo được dễ dàng hơn.
3.3.1.2. Kiểm định giá trị thang đo
Phương pháp phân tích nhân tố khám phá EFA là dùng để kiểm định giá trị thang đo, và rút gọn một tập hợp các biến quan sát thành một tập hợp các nhân tố có ý nghĩa hơn (Nguyễn Đình Thọ, 2011). Trong phân tích EFA, Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008) đã trình bày các tham số được sử dụng như sau.
Thứ nhất, ma trận tương quan (Correlation matrix) cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích, các biến có liên hệ với nhau ra sao. Tuy vậy trên thực tế thì luôn có điều này, tức là mối liên hệ giữa các biến với nhau luôn tồn tại. Thứ hai, đại lượng Bartlett trong kiểm định Bartlett để xem xét giả thuyết cho rằng các biến đo lường không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là bác bỏ giả thuyết này, căn cứ trên đại lượng Bartlett càng lớn thì càng có khả năng bác bỏ giả thuyết các biến đo lường không có tương quan trong tổng thể.
Thứ ba, đại lượng KMO là một chỉ số để cho biết sự phù hợp của phân tích nhân tố. Trị số này lớn trong khoảng [0,5-1,0] cho biết có khả năng phân tích này thích hợp với dữ liệu.
Thứ tư, ma trận nhân tố (Component matrix) cho biết hệ số tải nhân tố (factor loading) của các biến quan sát đối với nhân tố được rút ra. Trị số này dùng để giải thích cho nhân tố bằng các biến quan sát có hệ số lớn đối với nhân tố. Đây là một phần quan trọng trong bảng kết quả phân tích nhân tố. Tuy nhiên đôi khi việc giải thích nhân tố gặp khó khăn nếu biến đo lường có hệ số tải tương đối lớn trên hai hay nhiều nhân tố. Vì vậy, phép xoay nhân tố sẽ giúp tháo dỡ khó khăn này. Có
nhiều phép xoay nhưng đề tài này sẽ đề cập tới phép xoay giữ nguyên góc (varimax) để tối thiểu lượng biến có hệ số lớn trên cùng nhân tố (nếu có) để tăng khả năng giải thích. Với phép xoay nhân tố, các biến quan sát sẽ chỉ có hệ số tải lớn vượt trội trên một nhân tố duy nhất, đối với các nhân tố còn lại hệ số tải của biến quan sát sẽ nhỏ hơn nhiều.
Thứ năm, đại lượng Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có đại lượng này lớn hơn 1 được cho là nên giữ lại, ngược lại nhỏ hơn 1 thì được cho là không có tác dụng giải thích tóm tắt thông tin tốt hơn biến gốc. Thông thường đại lượng Eigenvalue giúp cho việc chọn số lượng nhân tố.