Mục đích của phân tích nhân tố khám phá EFA là để thu nhỏ và tóm tắt dữ liệu dựa vào mối quan hệ tƣơng quan của các biến trong một tập hợp biến.
Hệ số KMO: là chỉ số dùng để xem xét sự thích hợp của các nhân tố, trị số này phải đạt từ 0,5 đến 1 là điều kiện đủ để phân tích nhân tố đƣợc tiến hành (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tải nhân tố (factor loading): là hệ số tƣơng quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố ít nhất phải đạt 0,5 thì biến đó đảm bảo đủ độ tin cậy.Vì vậy các biến mà có giá trị nhỏ hơn 0,5 sẽ bị loại. Để đạt giá trị phân biệt, khác biệt giữa các nhân tố phải lớn hơn hoặc bằng 0,3 (iA - iB ≥ 0,3). Tuy nhiên chúng ta cần xem xét giá trị nội dung của nó trƣớc khi ra quyết định loại bỏ hay không loại bỏ một biến đo lƣờng (Nguyễn Đình Thọ, 2012).
Hệ số Eigenvalue: đại lƣợng dùng để xác định nhân tố đƣợc trích ra. Các nhân tố đƣợc trích ra tại Eigenvalue > 1. Giá trị Eigenvalue nói lên rằng các nhân tố đƣợc trích ra giải thích đƣợc phƣơng sai của một biến đơn lẻ. Mỗi biến đóng góp giá trị từ 1 đến giá trị Eigenvalue. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ đƣợc loại bỏ vì không có tác dụng tóm tắt thông tin tốt hơn biến gốc (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Tổng phƣơng sai trích: là phần trăm phƣơng sai toàn bộ đƣợc giải thích bởi các nhân tố. Thang đo đƣợc chấp nhận khi tổng phƣơng sai trích phải lớn hơn hoặc bằng 50% sẽ giúp ta biết đƣợc liệu các mục ban đầu để đánh giá sự hài lòng của khách hàng có độ kết dính cao không và giúp chúng ta gom lại thành một số nhân tố ít hơn để xem xét.
Barlett’s test of sphericity: đại lƣợng này dùng để xem xét giả thuyết H0 các biến không có tƣơng quan trong tổng thể, khi giá trị Sig. <=0,05 thì H0 bị bác bỏ.