Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tóm tắt dữ liệu. Tác giả sử dụng phương pháp EFA để dựa vào mối tương quan giữa các biến với nhau rút gọn thành những yếu tố có ý nghĩa hơn. Cụ thể, khi đưa 38 biến quan sát thu thập được (đã loại trừ 2 biến TT5, DG1) vào phân tích, các biến có thể có mối quan hệ chặt chẽ với nhau, được gom thành các nhóm biến và trình bày dưới dạng các yếu tố cơ bản tác động đến động lực làm việc của nhân viên tại Ban Quản lý Khu Công nghệ cao Thành phố Hồ Chí Minh.
Nghiên cứu sử dụng phương pháp trích hệ số Principal component với phép quay Varimax tại điểm dừng khi trích các yếu tố có Eigenvalue > 1. Thang đo nào
có tổng phương sai trích từ 50% trở lên là được chấp nhận. Các biến có trọng số (Factor loading) nhỏ hơn 0,5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor loading) lớn nhất và bất kỳ phải đạt 0,3. Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser – Meyer – Olkin) phải có giá trị (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 có khả năng không thích hợp với các dữ liệu. Hệ số 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 không thể chấp nhận được (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Tác giả tiến hành phân tích nhân tố khám phá (EFA) với 38 biến quan sát của 8 nhóm yếu tố đã được hình thành sau quá trình đánh giá thang đo. Việc phân tích được thực hiện với phép quay Varimax.