Nếu ở phương pháp kiểm định độ tin cậy thang đo bằng hệ số Cronbach’s Alpha, chúng ta đánh giá quan hệ giữa các biến trong cùng một nhân tố, cùng một nhóm thì phương pháp EFA lại xem xét quan giữa các biến ở tất cả các nhân tố khác nhau nhằm phát hiện ra các biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân loại sai vào các nhóm ngay từ đầu.
Hair (1998) khẳng định phân tích nhân tố khám phá là một phương pháp thống kê được dùng để khám phá cấu trúc cơ sở (underlying structure) của một tập các biến tương đối lớn và phát hiện mối quan hệ cơ sở (underlying relationships) của các biến đo lường. Trong EFA, hệ số tải nhân tố có giá trị lớn hơn 0,5 thì các biến quan sát được xem là có ý nghĩa thống kê tốt. Điều này là phù hợp với phạm vi của bài nghiên
cứu khi nghiên cứu này được thực hiện với kích thước mẫu là 256.Ngoài ra, nếu chỉ
số KMO (Kaiser - Meyer - Olkin), một chỉ số nhằm chỉ ra mức độ phù hợp của
phương pháp EFA, nằm trong khoảng nhỏ hơn 1 và lớn hơn 0,5 thì được xem là phù hợp. Bên cạnh đó, kiểm định Bartlett cũng được dùng nhằm kiểm tra mức độ có ý nghĩa thống kê của phương pháp EFA.
Song song đó, tổng phương sai trích cần đạt từ 50% trở lên và tiêu chí Eigenvalue tối thiểu phải bằng 1 thì mô hình EFA mới được coi là phù hợp (Nguyễn Đình Thọ, 2011). Tức là nếu coi biến thiên là 100% thì trị số tổng phương sai trích thể hiện các nhân tố được trích cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm của các biến quan sát.
Tóm lại, phân tích nhân tố khám phá EFA cần thoả mãn các yêu cầu sau: (1) hệ số tải nhân tố lớn hơn 0,5; (2) KMO nằm trong khoảng từ 0,5 đến 1; (3) hệ số Sig của kiểm định Bartlett nhỏ hơn 0,5; (4) tổng phương sai trích lớn hơn 50% và (5) giá trị hệ số Eigenvalue của các nhân tố đều cao (>1).