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 (Hair và cộng sự, 2009). Một số tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA:
- Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. EFA được xem là thích hợp khi: 0.5 ≤ KMO ≤ 1 và Sig Bartlett’s Test < 0.05, nếu KMO dưới 0.5 nhà nghiên cứu cần cân nhắc thu thập thêm dữ liệu hoặc xem xét loại đi các biến quan sát ít ý nghĩa (Kaiser, 1974).
- Giá trị Eigenvalue là một tiêu chí sử dụng phổ biến để xác định tổng số lượng nhân tố trong phân tích EFA. Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì vậy, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích nhân tố khám phá.
- Tổng phương sai trích (Total Variance Explained) thể hiện các nhân tố cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm biến quan sát dựa trên mức đánh giá 100%. Trị số này nên ở mức ≥ 50% thì mô hình EFA là phù hợp.
- Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố có thể hiểu là mối tương quan giữa biến quan sát với nhân tố. Trị tuyệt đối hệ số tải của biến quan sát càng cao, tương quan của biến quan sát đó vơi nhân tố càng lớn và ngược lại. Theo Hair và cộng sự (2014), trị tuyệt đối hệ số tải Factor Loading nên ở mức từ 0.5 trở lên là mức tối ưu, lúc này các biến quan sát có ý nghĩa thống kê tốt.
Ngược lại, loại biến đó ra khỏi khái niệm nghiên cứu để đảm bảo mô hình gồm các nhân tố phù hợp.
Nếu thỏa mãn các tiêu chí trên trong phân tích nhân tố khám phá EFA, các thang đo đảm bảo tính hội tụ và riêng biệt.