Sau khi độ tin cậy thang đo đạt yêu cầu, dùng phân tích EFA để xác định những nhóm nhân tố đại diện cho các biến quan sát còn lại. Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 2009). Phương pháp này rất hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Phân tích EFA phụ thuộc vào đo lường các chỉ tiêu sau:
- Kiểm định trị số KMO (Kaiser- Meyer - Olkin):
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích
hợp với tập dữ liệu nghiên cứu. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp (Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
- Đánh giá hệ số tải nhân tố (Factor loading -FL):
Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Đây là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá EFA.
Theo Hair & cộng sự (1998), hệ số tải nhân tố được chọn như sau: - Neu Factor loading >0.3 được xem là đạt mức tối thiểu
- Nếu Factor loading >0.4 được xem là quan trọng
- Nếu Factor loading >0.5 được xem là có ý nghĩa thực tiễn - Đánh giá giá trị Eigenvalue:
Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố,
đánh giá hệ số Eigenvalue là một trong những cách để xác định số lượng nhân tố. Những nhân tố được giữ lại trong mô hình là nhân tố có Eigenvalue ≥ 1 (Hair & ctg, 1998)
- Kiểm định Bartlett’s xem xét giả thiết H0:
Kiểm định Bartlett dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Kiểm định Bartlett có ý nghĩa thống kê chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể (Nguyễn Đình Thọ, 2011).
H1: Có sự tương quan giữa các biến.
Giá trị p của kiểm định là một số sao cho với mọi α > p thì sẽ bác bỏ giả thuyết H0. Với mức ý nghĩa α = 5%, kiểm định Barlett’s cho các kết quả sau:
Nếu giá trị p > α thì chấp nhận giả thuyết H0
Nếu giá trị p < α thì bác bỏ giả thuyết H0 và chấp nhận giả thuyết H1 - Đánh giá phương sai trích:
Tổng phương sai trích (Total Variance Explained): cho biết các nhân tố giải thích được bao nhiêu phần trăm biến thiên của các biến quan sát. Trị số này thể hiện các nhân tố được cô động được bao nhiêu phần trăm và bị thất thoát bao nhiêu phần trăm.
Tiêu chuẩn đạt yêu cầu đối với phương sai trích là tổng phương sai trích phải lớn hơn hoặc bằng 50% trở lên (Hair và cộng sự, 1998).