Phân tích EFA giúp sử dụng để rút gọn và gom các biến lại dựa trên mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Khi phân tích EFA cần lƣu ý những điểm sau:
Hệ số KMO (Kaiser – Mayer – Olkin) là một chỉ số xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn, từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố thích hợp, nếu thấy trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét giả thuyết về độ tƣơng quan giữa các biến quan sát bằng 0 trong tổng thể, nếu kiểm định này có ý nghĩa thống kê, sig nhỏ hơn hoặc bằng 0.05 thì các biến quan sát có tƣơng quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tải nhân tố (Factor Loading) là hệ số tƣơng quan đơn giữa các biến và các nhân tố. Hệ số này càng lớn, lớn hơn hoặc bằng 0.5 cho biết các biến và nhân tố càng có mối quan hệ chặt chẽ với nhau, biến quan sát có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại (Hair & cộng sự, 1998).
Trong phân tích nhân tố dùng phƣơng pháp Principal Component Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố có trị số Eigenvalue lớn hơn hoặc bằng 1. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phƣơng sai là 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Thang đo đƣợc chấp nhận khi tổng phƣơng sai trích lớn hơn hoặc bằng 50% (Hair & cộng sự, 1998).