Phân tích yếu tố được dùng để tóm tắt dữ liệu và rút gọn tập hợp các yếu tố quan sát thành những yếu tố chính dùng trong phân tích, kiểm định tiếp theo. Các yếu tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích yếu tố khám phá được dùng để kiểm định giá trị khái niệm của thang đo.
Cách thực hiện và tiêu chí đánh giá trong phân tích yếu tố khám phá EFA: Phương pháp: đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố Eigen Values lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng Principal Components với phép quay Varimax (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). Đối với thang đơn hướng thì sử dụng phương pháp trích yếu tố Principal Components. Thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007).
Tiêu chuẩn: Hệ số tải yếu tố phải lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải yếu tố: lớn hơn 0.3 là mức tối thiểu chấp nhận được; lớn hơn 0.4 là quan trọng; lớn hơn 0.5 là có ý nghĩa thực tiễn. Tiêu chuẩn chọn mức giá trị hệ số tải yếu tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải yếu tố lớn hơn 0.3; nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải yếu tố lớn hơn 0.55; nếu cỡ mẫu khoảng 50 thì hệ số tải yếu tố phải lớn hơn 0.75.
Từ cơ sở lý thuyết trên, mô hình “Các yếu tố ảnh hưởng đến quyết định tham gia BHNT Manulife của KH tại TP HCM” sử dụng 38 biến quan sát cho phân tích yếu tố EFA và việc thực hiện tiến hành theo các bước sau:
Đối với các biến quan sát đo lường 9 khái niệm thành phần và khái niệm Quyết định tham gia BHNT đều là các thang đo đơn hướng nên sử dụng phương pháp trích yếu tố Principal Components với phép quay Varimax và điểm dừng khi trích các yếu tố có Eigen Values lớn hơn 1.
Sau đó tiến hành thực hiện kiểm định các yêu cầu liên quan gồm:
Kiểm định Barlett: các biến quan sát có tương quan với nhau trong tổng thể. Xem xét trị số KMO: nếu KMO trong khoảng từ 0.5 –1 thì phân tích yếu tố là
thích hợp với các dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Để phân tích EFA có giá trị thực tiễn, tiến hành loại các biến quan sát có hệ số tải
yếu tố nhỏ hơn 0.5.
Xem lại thông số Eigen Values (đại diện cho phần biến thiên được giải thích bởi mỗi yếu tố) có giá trị lớn hơn 1.
Xem xét tổng phương sai trích (yêu cầu lớn hơn hoặc bằng 50%): cho biết các yếu tố được trích giải thích % sự biến thiên của các biến quan sát.