Phân tích nhân tố khám phá là một kỹ thuật phân tích dùng để rút gọn và tóm tắt các dữ liệu, 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 et al, 2009). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005), các tham số thống kê quan trọng trong phân tích nhân tố bao gồm:
- Hệ số Kaiser - Meyer - Olkin (KMO): Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 =< KMO =<1). Nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không còn thích hợp với tập dữ liệu nghiên cứu.
- Hệ số tải nhân tố (factor loading): là hệ số tương quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau. Hệ số tải nhân tố được chấp nhận là ≥ 0.5, (Hair et al., 2006), các biến có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại khỏi mô hình.
- 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. Kiểm định Bartlett có ý nghĩa thống kê (sig ≤ 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
- Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Hair et al., 2006).
- Total Variance Explained (Tổng phương sai trích): Thang đo được chấp nhận với tổng phương sai trích bằng hoặc lớn hơn 50%.