Phân tích nhân tố khám phá (EFA) là tên chung của một nhóm thủ tục được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến thành những nhân tố có ý nghĩa hơn. Sau khi đánh giá sơ bộ thang đo bằng hệ số cronbach alpha, phương pháp rút trích được chọn để phân tích nhân tố là phương pháp Principal Components Analysis với phép xoay Varimax. Một số tiêu chuẩn trong phân tích nhân tố EFA bao gồm:
- Kiểm định Bartlett dùng để xem xét ma trận tương quan có phải là ma trận đơn vị hay không. Nếu phép kiểm định Bartlett có p < 5%, nghĩa là chúng ta từ chối giả thuyết H0 (ma trận tương quan là ma trận đơn vị). Điều này có nghĩa là các biến có quan hệ với nhau (Nguyễn Đình Thọ, 2011). Hệ số KMO dùng để đánh giá sự thích hợp của phân tích EFA. Để sử dụng EFA, KMO phải lớn 0,5 (0,5 ≤ KMO ≤ 1). Trường hợp KMO nhỏ hơn 0,5 thì có thể dữ liệu không thích hợp với phân tích nhân tố khám phá (Nguyễn Đình Thọ, 2011).
- Tiêu chuẩn Eigenvalue là một tiêu chí sử dụng phổ biến trong việc xác định số lượng nhân tố trích trong phân tích EFA. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố có Eigenvalue tối thiểu bằng 1. Ngoài ra, tổng phương sai trích (TVE) cần phải được xem xét, tổng này phải lớn hơn 0,5 (50%) nghĩa là phần chung phải lớn hơn phần riêng (Nguyễn Đình Thọ, 2011).
- Tiêu chuẩn hệ số tải nhân tố (Factor loadings) hay trọng số nhân tố biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và các cộng sự (1998) thì 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. Ngoài ra, chênh lệch giữa các hệ số tải nhân tố của một biến quan sát phải lớn hơn 0,3. Tuy nhiên, cũng giống như cronbach alpa, việc loại bỏ các biến quan sát cần phải xem xét sự đóng góp về mặt nội dung của biến đó trong khái niệm nghiên cứu (Nguyễn Đình Thọ, 2011).