Phân tích nhân tố khám phá (EFA): Các thang đo đã đạt yêu cầu về độ tin cậy sẽ đƣợc đƣa vào để phân tích nhân tố khám phá, nhằm rút gọn một tập nhiều biến quan sát thành một tập biến ít hơn (thƣờng đƣợc gọi là nhân tố). Các nhân tố đƣợc rút gọn này sẽ có ý nghĩa hơn và vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Các tiêu chuẩn áp dụng đối với phân tích nhân tố EFA nhƣ sau: + Tiêu chuẩn kiểm định Barlett: Kiểm định Bartlett đƣợc sử dụng để đánh giá các biến quan sát có tƣơng quan với nhau trong một thang đo hay không. Khi mức ý nghĩa của kiểm định Bartlett nhỏ hơn 0,05 (sig < 0,05) thì ta kết luận các biến quan sát có tƣơng quan với nhau trong tổng thể (Hair và cộng sự, 2006).
+ Tiêu chuẩn hệ số KMO (Kaiser – Meyer – Olkin): dùng để đánh giá sự thích hợp của việc phân tích nhân tố EFA với dữ liệu thị trƣờng. Khi 0,5 ≤KMO ≤1 thì EFA đƣợc coi là thích hợp. Khi KMO < 0,5 thì phân tích nhân tố EFA có khả năng không thích hợp với bộ dữ liệu nghiên cứu. (Hair và cộng sự, 2006).
+ Tiêu chuẩn rút trích nhân tố: Gồm hai chỉ số chính là Eigenvalue (đại diện cho lƣợng biến thiên đƣợc giải thích bởi các nhân tố) và chỉ số tổng phƣơng sai trích Cumulative (cho biết các nhân tố trích đƣợc giải thích đƣợc bao nhiêu phần trăm sự biến thiên của các biến quan sát. Gerbing (1988) cho rằng, khi Eigenvalue ≥ 1 thì sẽ có tác dụng tóm tắt thông tin tốt hơn biến gốc, ngƣợc lại Eigenvalue <1 thì việc tóm tắt thông tin của nhân tố mới sẽ không tốt bằng biến gốc. Do đó, các nhân tố chỉ đƣợc rút trích tại Eigenvalue ≥ 1 và đƣợc chấp nhận khi tổng phƣơng sai trích ≥ 50%. Tuy nhiên, đối với những phƣơng pháp trích và phép xoay nhân tố khác nhau sẽ cho trị số Eigenvalue và phƣơng sai trích khác nhau. Theo Gerbing (1988), phƣơng pháp trích Pricipal Axis Factoring với phép xoay Promax có phƣơng sai trích bé hơn nhƣng phản ánh cấu trúc dữ liệu chính xác hơn so với phƣơng pháp trích Pricipal Components với phép xoay Varimax. Bên cạnh đó, theo Kline (2005)
và Nguyễn Khánh Duy (2009), nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phƣơng pháp trích Pricipal components với phép xoay Varimax, còn nếu sau phân tích EFA là phân tích nhân tố khẳng định (CFA) và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phƣơng pháp trích Pricipal Axis Factoring với phép xoay Promax. Vì vậy, phƣơng pháp Pricipal Axis Factoring với phép xoay Promax và điểm dừng khi trích các yếu tố (eigenvalue) ≥1 đƣợc dùng cho toàn bộ phân tích EFA trong nghiên cứu này.
+ Tiêu chuẩn hệ số tải nhân tố (Factor loadings): biểu thị tƣơng quan giữa các biến với nhân tố. Theo Hair và cộng sự (1998), factor loadings > 0,3 đƣợc xem là đạt mức tối thiểu, factor loadings > 0,4 đƣợc xem là quan trọng, factor loadings >0,5 thì có ý nghĩa thực tiễn. Nếu tiêu chuẩn chọn factor loadings càng thấp thì số lƣợng mẫu cần phải cao (thƣờng trên 350) và ngƣợc lại. Nếu nhƣ các biến có factor loadings không thỏa mãn điều kiện trên hoặc đƣợc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ, không tạo nên sự khác biệt để đại diện cho một nhân tố thì biến đó sẽ bị loại. Trong nghiên cứu này, để đảm bảo đƣợc ý nghĩa thực tiễn, các biến có hệ số tải nhân tố < 0,5 sẽ bị loại khỏi mô hình. Tuy nhiên, nếu biến nào đó có hệ số factor loadings nhỏ hơn gần bằng 0,5 nhƣng đƣợc nhìn nhận chủ quan là phù hợp trong việc kết hợp với các biến khác để giải thích cho nhân tố chính và đảm bảo đƣợc hệ số Cronbach’s alpha cao thì có thể đƣợc giữ lại. Các hệ số tải này sau đó đƣợc sử dụng để gắn tên cho mỗi nhân tố theo nguyên tắc biến nào có hệ số tải nhân tố cao hơn đƣợc xem là quan trọng hơn (về ý nghĩa thống kê) và vì thế có ảnh hƣởng lớn hơn đối với tên đặt cho nhân tố đó.