Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu này, phương pháp EFA dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có nghĩa hơn. Cụ thể, khi đưa tất cả các biến thu thập được (30 biến) vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được gom thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng các nhân tố cơ bản tác động đến sự hài lòng của người dân khi sử dụng DVHCC tại UBND Quận 9.
Nghiên cứu tiến hành sử dụng phương pháp trích hệ số Principal component với phép quay Varimax tại điểm dừng khi trích các yếu tố có Eigenvalue > 1. Thang đo nào có tổng phương sai trích từ 50% trở lên là được chấp nhận (Gerbing & Anderson, 1988). Các biến có trọng số (Factor loading) nhỏ hơn 0.5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor loading) lớn nhất và bất kỳ phải đạt ≥ 0.3 (Jabnoun & AL-Tamini, 2003). Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser – Meyer – Olkin) phải có giá trị lớn (0.5 ≤ KMO ≤ 1), điều này thể hiện phân tích nhân tố là thích hợp. Nếu hệ số KMO < 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Theo Kaiser (1974), KMO ≥ 0.9 là rất tốt; 0.9 > KMO ≥ 0.8 là tốt; 0.8 > KMO ≥ 0.7 là được; 0.7 > KMO ≥ 0.6 là tạm được, 0.6> KMO ≥ 0.5 là xấu và KMO < 0.5 là không thể chấp nhận được (Hoàng Trọng và Mộng Ngọc, 2008).
Tác giả tiến hành phân tích nhân tố khám phá (EFA) theo từng bước. Lần đầu thực hiện EFA, 30 biến đã nhóm lại thành 6 nhân tố. Sau 3 lần thực hiện phép quay, vẫn có 6 nhóm chính thức được hình thành, nhưng bị loại 2 biến quan sát là: CSVC4 và CP1.