Phân tích nhân tố khám phá (EFA) là 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 yếu tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông
Ở nghiên cứu này, EFA sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sự tác động của các yếu tố độc lập lên quyết định mua hàng của người tiêu dùng tại TPHCM có sự tương quan với nhau không và chúng có thể gom lại thành một số nhóm yếu tố ít hơn để xem xét không. Đối với những biến không đảm bảo độ tin cậy sẽ bị loại khỏi thang đo.
Đánh giá kết quả phân tích EFA theo các tiêu chí sau:
- Hệ số tải nhân tố (Factor loading): Theo Hair và công sự (2014) cho rằng trong phân tích EFA, với factor loading từ mức 0.3 đến 0.4 được xem là đạt mức điều kiện tối thiểu để giữ lại biến và factor loading từ mức 0,5 trở lên: các biến quan sát mang ý nghĩa thống kê tốt.
- Hệ số KMO (Kaiser - Meyer - Olkin): là các chỉ số được sử dụng để kiểm tra sự phù hợp phân tích nhân tố. Giá trị KMO là 0,5 ≤ KMO ≤ 1 thì nhân tố đó phân tích là thích hợp.
- Kiểm định Bartlett (Bartlett’s test of sphericity) có ý nghĩa thống kê (p-value ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể. (Howard, 2016)
- Tổng phương sai trích (Total Varicance Explained): Tổng phương sai trích phải lớn hơn hoặc bằng 50%. Hệ số này thể hiện nhân tố trích được bao nhiêu phần trăm của các biến đo lường, tổng này đạt từ 50% tức là phần chung phải lớn hơn phần riêng và sai số (Howard, 2016)
- Hệ số Eigenvaue: là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố EFA. Chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Garson, 2003).