Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tĩm 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 cĩ nghĩa hơn. Cụ thể, khi đưa tất cả các biến độc lập thu thập được (33 biến – đã loại trừ các biến STC3) vào phân tích, các biến cĩ thể cĩ liên hệ với nhau. Khi đĩ, chúng sẽ được gom thành các nhĩm biến cĩ liên hệ để xem xét và trình bày dưới dạng các nhân tố cơ bản tác động đến sự trung thành của khách hàng khi sử dụng dịch vụ IB.
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 cĩ Eigenvalue > 1. Thang đo nào cĩ tổng phương sai trích từ 50% trở lên là được chấp nhận (Gerbing & Anderson, 1988). Các biến cĩ trọng số (Factor loading) nhỏ hơn 0.5 sẽ bị loại. Tại mỗi khái niệm cĩ 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 cĩ 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 cĩ khả năng khơng 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 khơng thể chấp nhận được (Hồng Trọng và Mộng Ngọc, 2008).
57
Tác giả tiến hành phân tích nhân tố khám phá (EFA) theo từng bước. Lần đầu thực hiện EFA, 33 biến đã nhĩm lại thành 9 nhân tố. Sau 9 lần thực hiện phép quay, chỉ cĩ 6 nhĩm chính thức được hình thành.