Phân tích nhân tố phương pháp EFA dựa vào mối tương quan giữa các biến với nhau, EFA dùng để rút gọn một tập k các biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Có nghĩa là thu thập được một số biến khá lớn và hầu hết các biến này cso quan hệ với nhau và số lượng của chúng phải được giảm bớt đến một số lượng mà có thể sử dụng được.
Mô hình phân tích nhân tố này được sử dụng nhằm phân tích mối quan hệ của các biến xem biến nào gây ảnh hưởng mạnh nhất và loại bỏ hay gộp chung những biến ít quan trọng lại thành những nhóm biến (nhân tố) căn bản, biến chính (factor).
Số nhân tố cơ bản được rút ra là tùy ý nhưng khuynh hướng là càng ít biến thì càng đơn giản, dễ phân tích.
Các biến nhân tố cơ bản sau khi rút trách đều ngang nhau, không ảnh hưởng hay phụ thuộc đáng kể nhau. Chúng có những đặc trưng riêng và gây ảnh hưởng mạnh đến kết quả (hệ số Eigenvalue).
Nói chung, phân tích nhân tố EFA có hai mục đích là rút gọn dữ liệu và xác định cấu trúc quan hệ giữa các biến. Nói chung, EFA được sử dụng để thu gọn, tóm tắt dữ liệu, đồng thời dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có nghĩa hơn.
Các tiêu chí được đưa ra khi phân tích nhân tố khám phá EFA gồm có:
Trị số KMO (Kaiser – Mayer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.
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. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.
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.
Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA 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 (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là
tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:
Factor Loading ở mức +-0.3: Điều kiện tối thiểu để biến quan sát được giữ lại. Factor Loading ở mức +-0.5: Biến quan sát có ý nghĩa thống kê tốt.
Factor Loading ở mức +-0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
Tuy nhiên theo nhiều nghiên cứu với cỡ mẫu từ 120 đến dưới 350 thì lấy hệ số tải 0.5 làm mức tiêu chuẩn là phù hợp.
Phương pháp trích (Extraction Method): Sử dụng phương pháp Principal Components với phép quay Varimax để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố. Mục đích để giải thích các nhân tố.