Phân tích nhân tố 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 giúp thu gọn các biến quan sát
thành những nhóm biến, các biến trong nhóm có quan hệ mật thiết với nhau, mỗi nhóm đo lường một yếu tố riêng; các biến quan sát có thể bị tách ra hay nhập vào thành những nhóm mới so với mô hình ban đầu.
Trong nghiên cứu này, phương pháp nhân tố EFA được sử dụng để xác định giá trị hội tụ (convergent validity), độ giá trị phân biệt (discriminant); các tham số thống kê quan trọng trong phân tích nhân tố gồm có:
Hệ số tải nhân tố - Factor loading: là hệ số tương quan đơn giữa các biến và các nhân tố.
Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những chỉ số nhân tố có Eigenvalue > 1 mới được giữ lại trong mô hình phân tích, các nhân tố có Eigenvalue < 1 sẽ bị loại khỏi mô hình. Kết quả đưa ra có bao nhiêu chỉ số Eigenvalue >1 sẽ có bấy nhiêu nhân tố được hội tụ.
Phương pháp phân tích nhân tố được sử dụng trong nghiên cứu này là Principal Component Analysis với phép quay Varimax with Kaiser Normalization.
Chỉ số Kaiser-Meyer-Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO đủ lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
Sig của kiểm định Bartlett < 0,05 chứng tỏ các biến có tương quan với nhau trong tổng thể - đây là điều kiện cần để áp dụng phân tích nhân tố (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, 31).
Phương sai trích Variance explained criteria: tổng phương sai trích phải lớn hơn 50%.