Sau khi kiểm tra độ tin cậy của thang đo, phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) được thực hiện tiếp theo. Phân tích nhân tố khám phá là kỹ thuật được sử dụng để rút gọn một tập nhiều biến quan sát ban đầu thành một nhóm chứa các biến có ý nghĩa hơn, phù hợp hơn trong mô hình nghiên cứu. Việc hình thành các biến mới này dựa vào điểm hội tụ tại ma trận xoay.
Phân tích nhân tố EFA giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là: giá trị hội tụ và giá trị phân biệt. Đối với giá trị hội tụ, các biến quan sát có những đặc điểm hội tụ về cùng một nhân tố. Đối với giá trị phân biệt, các biến quan sát thuộc về nhân tố này phải phân biệt được với nhân tố khác. Ngoài ra, công
cụ còn được sử dụng để tìm mối quan hệ các biến với nhau. Theo Mayers và cộng sự (2006), phương pháp rút trích để phân tích nhân tố khám phá được sử dụng phổ biến nhất là Pricipal Components Analysis và phép xoay Varimax được Chu Thị Tuyết Loan (2017) dẫn chứng. Vì vậy, tác giả cũng dùng phương pháp này trong việc phân tích nhân tố khám phá cho nghiên cứu của tác giả. Các tiêu chuẩn được áp dụng trong
EFA như sau:
Hệ số Factor Loading được định nghĩa là trọng số nhân tố hay hệ số tải nhân
tố. Là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (Hair và cộng sự, 1998). Hệ số tải càng cao thì mối tương quan giữa các biến quan sát và các nhân tố càng tốt.
Nếu Factor loading > 0.5 biến quan sát có ý nghĩa thống kê rất tốt.
Hệ số KMO (Kaiser — Meyer - Olkin) dùng để đánh giá sự thích hợp của
phân
tích nhân tố (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Cụ thể chỉ số giúp so sánh độ lớn của hệ số tương quan giữa 2 biến với hệ số tương quan riêng phần của chúng. Theo Kaiser (1970), nếu 0.5 < KMO < 1 thì phân tích nhân tố là thích hợp và có ý nghĩa. Theo lý thuyết của Hutcheson và Sofroniou (1999), trị số của KMO được đánh giá là tốt khi 0.70 < KMO < 0.8, là hệ số tuyệt vời khi 0.80 < KMO < 0.9 và rất tuyệt vời khi KMO ≥ 0.9.
Kiểm định Bartlett dùng để xem xét sự tương quan giữa các biến quan sát
trong tổng thể. Phép kiểm định Bartlett có ý nghĩa thống kê khi giá trị Sig < 0.05, chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Hệ số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân
tố. Nhân tố nào có hệ số Eigenvalue ≥ 1 có tác dụng tóm tắt thông tin tốt nhất (Gerbing và Anderson, 1998). Theo nghiên cứu của Gerbing và Anderson (1998), thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
Bên cạnh đó, sự chênh lệch của hệ số tải < 0.3 thì ta sẽ loại biến đó trong ma trận xoay (Jabnoun và Al-Tamimi, 2003).