Sau khi phân tích hệ số tin cậy Cronbach’s Alpha, loại bỏ đi các biến không đảm bảo độ tin cậy, thang đo được đánh giá tiếp theo bằng phương pháp phân tích nhân tố khám phá (EFA) để thu nhỏ và gom các biến lại thành các nhân tố, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
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 et al,1998).
Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy, chúng ta cần xem xét mối quan hệ giữa các biến đo lường đó.
Các tiêu chí đánh giá mối quan hệ giữa các biến :
- Hệ số tải nhân tố (Factor loading – FL) hay còn gọi là trọng số nhân tố : Theo Hair & ctg (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của của EFA. FL > 0,3 được xem là đạt được mức tối thiểu, FL > 0,4 được xem là quan trọng, FL >= 0,5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998) cũng khuyên như sau : nếu chọn tiêu chuẩn FL > 0,3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn FL > 0,55 (thường có thể chọn 0,5), nếu cỡ mẫu của bạn khoảng 50 thì FL phải > 0,75.
- Kiểm định Bartlett : dùng để xem xét giả thuyết các biến quan sát không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê Sig < 0,05 thì các biến quan sát có mối tương quan với nhau trong tổng thể và ngược lại.
- Hệ số KMO (Kaiser- Meyer – Olkin) :
Hệ số KMO là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
Xem xét giá trị KMO : 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp với dữ liệu; ngược lại KMO ≤ 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
- Trị số Eigenvalue : là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, thì những nhân tố nào có Eigenvalue > 1 mới được giữ lại trong mô hình phân tích.
- Tổng phương sai trích (Total Variance Explained) : >=50% cho thấy mô hình EFA là phù hợp. Giá trị tổng phương sai trích có ý nghĩa cho biết tổng số phần trăm biến thiên của dữ liệu được giải thích bởi các nhân tố.