Là một phương pháp phân tích định lượng giúp tác giả đánh giá hai giá trị quan trọng của thang đo là: giá trị hội tụ và giá trị phân biệt. Phương pháp này dùng để rút gọn một tập hợp gồm nhiều biến quan sát có quan hệ tương quan nhau thành một tập biến lớn hơn (gọi là các nhân tố), có ý nghĩa hơn nhưng vẫn chứa đựng các biến nhỏ có sự tương quan với nhau trong tập biến ban đầu (Hair et al., 2009).
Trong EFA, phương pháp trích Pricipal Components Analysis cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất đối với nghiên cứu xác định được biến phụ thuộc và biến độc lập.
Factor loading (hệ số tải nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (Hair & ctg, 2009). Nếu hệ số tải nhân tố càng cao giải thích cho việc biến quan sát đó có mối tương quan lớn với nhân tố chứa nó.
Factor loading < 0.3: không phù hợp sử dụng EFA
0.3 ≤ Factor loading ≤ 0.4: được xem là đạt được mức tối thiểu. Factor loading ≥ 0.5 được xem là có ý nghĩa thực tiễn.
Phân tích EFA bao gồm:
- Kiểm định Bartlett’s test of sphericity để kiểm định sự tương quan giữa các biến với nhau trong tổng thể. Nếu kiểm định này có mức ý nghĩa thống kê (Sig > 0.05) thì xem như các biến có tương quan với nhau (Hair và đồng sự, 2010). Khi đó, việc tiến hành phân tích nhân tố là chưa thích hợp.
- Kiểm định KMO (Kaiser – Meyer - Olkin): là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. KMO phải có giá trị từ 0.5 mới đủ điều kiện để phân tích nhân tố. Ngược lại, nếu KMO < 0.5 thì phân tích nhân tố này có khả năng không phù hợp. Kaiser (1974) đề nghị các mức độ cho KMO như sau:
0.90 <= KMO : RẤT TỐT; 0.80 <= KMO < 0.90 : TỐT; 0.60 = KMO < 0.80 : ĐƯỢC: 0.50 = KMO < 0.70 : TẠM ĐƯỢC; 0.50 = KMO < 0.60 : XẤU;
KMO < 0.50 : KHÔNG CHẤP NHẬN ĐƯỢC
- Số lượng nhân tố được xác định bằng phương pháp hệ số Eigenvalues. Chỉ những nhân tố nào có Eigenvalues lớn hơn 1 mới được giữ lại trong mơ hình phân tích (Hair và các đồng sự, 2010).