Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt, tập hợp các biến quan sát vào một số yếu tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu và tìm mối quan hệ giữa các biến với nhau. Trong phân tích EFA, đại lượng Bartlett là đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau (các biến đo lường phản ánh những khía cạnh khác nhau của cùng một yếu tố chung). Do đó nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Trị số KMO (Kai-Meyer- Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0.5 và 1) là điều kiện đủ để việc tiến hành phân tích nhân tố là thích hợp.
Ngoài ra, phân tích nhân tố EFA còn dựa vào chỉ số Eingenvalue (đại diện cho lượng biến thiên được giải thích bởi các yếu tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm và bao nhiêu phần trăm bị thất thoát) để xác định số lượng yếu tố. Theo Gerbing và Anderson (1988), các yếu tố có Eingenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi phân tích EFA). Vì thế, các yếu tố chỉ được rút trích tại Eingenvalue lớn hơn 1 và được chấp nhận khi tổng phương sai trích lớn hơn hoặc bằng 50%. Tuy nhiên, trị số Eingenvalue và
phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay yếu tố.
Một phần quan trọng trong kết quả phân tích nhân tố là ma trận yếu tố (Component Matrix). Ma trận yếu tố chứa các hệ số tải yếu tố (Factor loading) biểu diễn tương quan giữa các yếu tố và các biến. Hệ số này lớn (≥ 0.5) cho biến yếu tố và biến có liên hệ chặt chẽ với nhau. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì mặc dù ma trận yếu tố ban đầu cho thấy mối quan hệ giữa các yếu tố và từng biến nhưng nó ít khi tạo ra các yếu tố có thể giải thích một cách một cách dễ dàng. Thông qua việc xoay các yếu tố, ma trận yếu tố sẽ trở nên đơn giản hơn và dễ giải thích hơn. Trong nghiên cứu này, sau khi phân tích hệ số tin cậy Cronbach Alpha, các thang đo được đánh giá tiếp bằng phương pháp phân tích nhân tố khám phá (EFA) 32 biến quan sát được đưa vào phân tích sử dụng phương pháp rút trích yếu tố Principal Component với phép xoay Varimax, đây là phương pháp thường được sử dụng trong phân tích hồi quy.