Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) nhằm rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (nhân tố) để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998). Phân tích nhân tố khám phá đƣợc cho là phù hợp khi các tiêu chuẩn sau đây đƣợc thỏa mãn điều kiện:
Tiêu chuẩn quan trọng đối với Factor Loading lớn nhất cần đƣợc quan tâm: Theo Hair và cộng sự (1998), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa của EFA. Factor loading bằng 0,4 là ngƣỡng chấp nhận.
Kaiser-Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của EFA: 0,5≤KMO ≤ 1 thì phân tích nhân tố là thích hợp.
Jabnoun & Al-Tamimi (2003) tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố.
Kiểm định Bartlett’s test sphericity xem xét giả thuyết H0: độ tƣơng 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 tƣơng quan với nhau trong tổng thể và bác bỏ giả thuyết H0.
Phƣơng sai trích (cumulative % of variance): phần trăm biến thiên của các biến quan sát (hay dữ liệu) đƣợc giải thích bởi các nhân tố phải đảm bảo ≥ 50%.
Phƣơng pháp trích hệ số đƣợc sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lƣợng biến có hệ số lớn tại cùng một nhân tố và các nhân tố không có sự tƣơng quan lẫn nhau.
Xác định số nhân tố bằng phƣơng pháp dựa vào eigenvalue (Determination based on eigenvalue): chỉ giữ lại những nhân tố có eigenvalue lớn hơn 1 trong mô hình phân tích.
39
các nhân tố mới. Phƣơng pháp phân tích hồi quy tuyến tính bội sẽ đƣợc ứng dụng trong việc đánh giá mức độ ảnh hƣởng của các nhân tố đến sự hài lòng của khách hàng.