Phương pháp phân tích nhân tố EFA thuộc nhóm đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thuỷ (biến quan sát). Phân tích nhân tố EFA trong đề tài sử dụng phương pháp trích hệ số là Principal Component Analysis và phép quay Varimax để phân nhóm các nhân tố bởi vì các biến quan sát đo lường 7 khái niệm thành phần và khái niệm sự hài lòng đều là thang
đo đơn hướng. Các tiêu chí trong phân tích EFA:
Hệ số Kaiser - Meyer - Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố thoả mãn 0.5 ≤ KMO ≤ 1. Nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu nghiên cứu.
Bartlett’s test of sphericity: Bartlett là đại lượng thống kê dùng để xem xét các giả thuyết biến không có tương quan trong tổng thể. Nếu kiểm định có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Trị số Eigenvalue là một tiêu chí sử dụng để xác định số lượng nhân tố trong phân tích EFA. Những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Giá trị này không xem xét với đề tài chạy CFA, SEM). Total Variance Explained (Tổng phương sai trích) ≥ 50% cho thấy mô hình là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
Hệ số tải nhân tố (Factorloading): Theo (Hair et al. 2006), hệ số tải nhân tố hay còn gọi là trọng số nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA là Factor loading > 0.3 được xem là đạt mức tối thiểu, nếu Factor loading > 0.4 được xem là quan
trọng hoặc Factor loading > 0.5 được xem là có ý nghĩa thực tiễn.