Sau bước kiểm định hệ số tin cậy Cronbach’s Alpha, các biến thỏa mãn sẽ tiếp tục được đưa vào phân tích nhân tố khám phá EFA (Exploratory Factor Analysis). 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 các cộng sự, 2009). Mục đích của nhân tố khám phá EFA nhằm thu nhỏ và tóm gọn dữ liệu để xác định tập hợp biến cần thiết đưa vào hồi quy dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Khi thực hiện phân tích nhân tố khám phá EFA, cần phải lưu ý một số tiêu chí quan trọng sau:
Thứ nhất, hệ số tải nhân tố hay trọng số nhân tố (factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA (Hair và cộng sự, 2009). Mức đánh giá hệ số tải nhân tố Factor loading được phân loại như sau: 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. Tại mỗi biến quan sát, chênh lệch hệ số tải nhân tố lớn nhất và bất kỳ phải ≥ 0,3 (Jabnoun & AI – Tamimi, 2003). Nếu chênh lệch hệ số tải của một biến quan sát trên các nhân tố nhỏ hơn 0,3, biến quan sát sẽ bị loại để đảm bảo độ phân biệt của nhân tố (Nguyễn Đình Thọ, 2011).
Thứ hai, để phân tích hiệu quả các nhân tố, chỉ số KMO (Kaiser-Meyer-Olkin) phải có giá trị trong khoảng 0,5 đến 1, phản ánh các biến quan sát đủ điều kiện để hình thành nên nhân tố. Trong đó KMO ≥ 0,9 là rất tốt; KMO ≥ 0,8 là tốt; KMO ≥ 0,7 là được, KMO ≥ 0,6 là tạm được; KMO ≥ 0,5 là xấu (Kaiser, 1974; Nguyễn
Đình Thọ, 2011). Nếu trị số này nhỏ hơn 0,5 tức phân tích nhân tố có khả năng không thích hợp với dữ liệu.
Thứ ba, kiểm định Bartlett có ý nghĩa thống kê mở ngưỡng 95%. Đây là một đại lượng thống kê nhằm để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0,05) thì các biến quan sát có mối tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Thứ tư, trị số Eigenvalue là một tiêu chí đại diện phần biến thiên được giải thích bởi mỗi nhân tố. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Gerbing và Anderson, 1988).
Thứ năm, phần trăm phương sai toàn bộ (percentage of variance) phải lớn hơn 50%. Đồng thời, tổng phương sai trích (cumulative % extraction sum of squared loading), cho biến các nhân tố được trích giải thích được phần trăm sự biến thiên của các biến quan sát, phải ≥ 50% thì mới chấp nhận thang đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Ngoài ra, tác giả kết hợp phương pháp trích Principal Components Analysis với phép xoay Varimax trong phân tích nhân tố khám phá EFA. Do đó, tác giả không đưa biến phụ thuộc vào chung với biến độc lập để xử lý EFA cùng một lúc (Nguyễn Đình Thọ, 2011). Phương pháp trích Principal sẽ giúp rút gọn dữ liệu, giảm đa cộng tuyến giữa các nhân tố trong bước phân tích hồi quy tiếp theo.