Các biến sau khi được kiểm định thang đo và loại bỏ các biến không đảm bảo độ tin cậy, sẽ được đưa vào phân tích nhân tố để xác định lại thang đo, điều này sẽ giúp đánh giá chính xác hơn các thang đo, loại bỏ bớt các biến đo lường không đạt yêu cầu và làm cho thang đo đảm bảo tính đồng nhất.
Theo Hair và các cộng sự (2009) phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. Các điều kiện của tham số trong EFA:
− Hệ số Kaiser-Mayer-Olkin (KMO): là chỉ tiêu xem xét có thích hợp để phân tích nhân
tố hay không. Yêu cầu: KMO thích hợp khi 0,5 ≤ KMO ≤ 1 thì các tương quan đủ lớn đến mức có thể áp dụng EFA.
− Kiểm định Bartlett (Bartlett’s test of sphericity): thể hiện các biến quan sát trong nhân tố có tương quan với nhau hay không. Yêu cầu: sig. Bartlett’s test < 0,05 thì các biến quan sát có tương quan với nhau trong nhân tố. Trị số Eigenvalue: là tiêu chí để xác định số lượng nhân tố trong EFA. Yêu cầu: Eigenvalue ≥ 1 thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt, được giữ lại trong mô hình phân tích.
Hệ số tải nhân tố (factor loading): là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Factor loading
≥ 0,3 được xem đạt mức tối thiểu (cỡ mẫu tối thiểu 350). Factor loading ≥ 0,4 được xem là quan trọng. Factor loading ≥ 0,5 được xem là có ý nghĩa thực tiễn (cỡ mẫu khoảng 100). Cỡ mẫu khoảng 50 thì Factor loading ≥ 0,75. Đồng thời, khác biệt hệ số tải giữa các nhân tố đạt tối thiểu 0,3.
Tổng phương sai trích (total variance explained): thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Total variance explained ≥ 50% là được. Total variance explained ≥ 60% là tốt.