Theo DeCoste (1998) nhận định rằng, EFA được sử dụng khi một nhà nghiên cứu muốn khám phá số lượng mà các yếu tố ảnh hưởng đến các biến và để phân tích biến nào dường như ‘đi đôi’ với nhau. Để thực hiện một phân tích nhân tố, phải có đơn biến và tính chuẩn mực đa biến trong dữ liệu đã thu thập (Child, 2006). Ngoài ra, theo nhóm nghiên cứu của Hair & cộng sự (2009) đã chia sẻ các tiêu chí mà các nhà nghiên cứu thường quan tâm đến như sau:
Thứ nhất, hệ số KMO (Kaiser - Meyer - Olkin) là một chỉ số được sử dụng để xem xét sự thích hợp của phân tích nhân tố. Để phân tích nhân tố là phù hợp thì điều kiện đủ của chỉ số KMO phải nằm trong khoảng 0.5 ≤ X ≤ 1. Nếu chỉ số này nhỏ hơn 0.5 (KMO<0.5) thì phân tích hoàn toàn không thích hợp với các dữ liệu nghiên cứu.
Thứ hai, ở kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Điều kiện cần để áp dụng phân tích nhân tố là kiểm định mối tương quan của các biến với nhau. Vì thế, nếu kiểm định cho thấy không ý nghĩa thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Nếu kiểm định này có ý nghĩa Sig. < 0.05 thì chứng tỏ các biến quan sát có sự tương quan trong tổng thể.
Thứ ba, để xác định số lượng yếu tố trong phân tích EFA, thường nhắc đến trị số Eigenvalue. Với những yếu tố nào có Eigenvalue ≥ 1 mới có thể giữ lại trong mô hình đang phân tích.
Thứ 4, nếu tổng phương sai trích (Total Variance Explained) ≥ 0.5 thì mô hình EFA là phù hợp.
Cuối cùng, trọng số nhân tố hay hệ số tải nhân tố (Factor Loading) là những hệ số tương qua giữa các nhân tố với biến quan sát. Hơn thế nữa, nhóm nghiên cứu cho rằng:
• Factor Loading ở mức ± 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại. • Factor Loading ở mức ±0.5: Biến quan sát có ý nghĩa thống kê tốt.
• Factor Loading ở mức ±0.7: Biến quan sát có ý nghĩa thống kê rất tốt.