Sau khi sử dụng phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo, chúng ta tiến hành phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) giúp đánh giá hai loại giá trị quan trọng là giá trị hội tụ và giá trị phân biệt. Chúng ta sử dụng các chỉ số sau:
+ Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0,05): dùng để xem xét giả thuyết các biến có tương quan với nhau không. 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.
+ Kiểm định KMO (Kaiser - Meyer - Olkin): dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng phần của chúng.
Để sử dụng phân tích nhân tố EFA thì hệ số KMO phải lớn hơn 0.5, nếu KMO nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu đang nghiên cứu. Theo Kaiser (1974) đề nghị, KMO >= 0,9 rất tốt; 0,8 <= KMO < 0,9 tốt; 0,7 <= KMO <0,8 được; 0,6 <= KMO <0,7 tạm được; 0,5 <= KMO <0,6 xấu; KMO <0,5 không chấp nhận.
+ Trị số Eigenvalue là một tiêu chí dùng để xác định số nhân tố giữ lại trong mô hình phân tích EFA. Chỉ những nhân tố có Eigenvalue > 1 mới được giữ lại trong phân tích.
+ Tổng phương sai trích >50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
+ Hệ số tải nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, giá trị này biểu thị mối quan hệ giữa biến quan sát với nhân tố với hệ số càng cao thì tương quan càng lớn và ngược lại. Hệ số tải nhân tố lớn hơn 0,3 được xem là đạt mức tối thiểu, lớn hơn 0.4 được xem là quan trọng và trên 0,5 được xem là có ý nghĩa thực tiễn. Tuy nhiên hệ số này còn phụ thuộc vào số lượng mẫu quan sát (kích thước mẫu), từng kích thước mẫu khác nhau sẽ có mức trọng số nhân tố khác nhau để biến quan sát có ý nghĩa thống kê. Trong nghiên cứu này, tác giả sử dụng dữ liệu có 150 mẫu quan sát nên sẽ chọn mức hệ số tải nhân tố là 0,5.