Phân tích nhân tố khám phá (EFA) được sử dụng phổ biến để đánh giá giá trị thang đo (tính đơn hướng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các thuộc tính của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá (EFA) bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO (Kaiser - Mayer - Olkin) dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0.05. Trường hợp KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cummulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Nguyễn Đình Thọ (2011), các nhân tố có Engenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Engenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Engenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay nhân tố. Theo Nguyễn Trọng Hoài (2009), nếu sau phân tích EFA là phân tích hồi qui thì có thể sử dụng phương pháp trích Principal components với phép xoay Varimax.
Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và Ctg, Factor loading > 0,3 được xem là đạt mức tối thiểu; Factor loading > 0,4 được xem là
quan trọng; Factor loading > 0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading > 0,75 (Nguyễn Trọng Hoài, 2009). Ngoài ra, trường hợp các biến có Factor loading được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận < 0,3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó cũng bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).