Phƣơng pháp EFA giúp chúng ta đánh giá hai giá trị giá trị hội tụ và giá trị phân biệt. Sau khi loại các biến có độ tin cậy thấp, các biến còn lại sẽ tiếp tục đƣợc sử dụng để tiến hành phân tích nhân tố. Phƣơng pháp EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này là dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Kiểm định Bartlett: các biến quan sát có tƣơng quan với nhau trong tổng thể, Norusis (1994) Kaiser (1974) đề nghị KMO > 0,90: rất tốt; 0,9 >
37
KMO > 0,80: tốt; 0,8 > KMO > 0,70: đƣợc; 0,7 > KMO > 0,60: tạm đƣợc; 0,6 > KMO > 0,50: xấu; và KMO < 0,5: không thể chấp nhận (Nguyễn Đình Thọ, 2011)
Cách thực hiện và tiêu chí đánh giá trong phân tích nhân tố khám phá EFA: - Sử dụng phƣơng pháp trích yếu tố là Principal components với phép quay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues =1. Với các thang đo đơn hƣớng thì sử dụng phƣơng pháp trích yếu tố Princial components. Tiến hành loại các biến số có trọng số nhân tố (còn gọi là hệ số tải nhân tố) nhỏ hơn 0,3 và tổng phƣơng sai trích đƣợc bằng hoặc lớn hơn 50% (thang đo đƣợc chấp nhận) (Gerbing & Anderson, 1988; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
- Tại bảng Ma trận xoay các nhân tố phƣơng pháp đƣợc chọn ở đây là phƣơng pháp xoay nhân tố Varimax proceduce, xoay nguyên góc các nhân tố để tối thiểu hoá số lƣợng các quan sát có hệ số lớn tại cùng một nhân tố. Vì vậy, sẽ tăng cƣờng khả năng giải thích các nhân tố. Sau khi xoay ta cũng sẽ loại bỏ các quan sát có hệ số tải nhân tố nhỏ hơn 0.5 ra khỏi mô hình. Chỉ những quan sát có hệ số tải nhân tố lớn hơn 0.5 mới đƣợc sử dụng để giải thích một nhân tố nào đó. Phân tích nhân tố khám phá EFA sẽ giữ lại các biến quan sát có hệ số tải lớn hơn 0.5 và sắp xếp chúng thành những nhóm chính đó là những nhân tố ảnh hƣởng đến biến cần quan sát.