Phương pháp phân tích nhân tố khám phá cũng được sử dụng cho giai đoạn nghiên cứu sơ bộ nhằm xác định xem các phát biểu có tạo ra số nhân tố như kỳ vọng hay không; cũng như xem xét các phát biểu có trọng số nhân tố lớn tác động trên các khái niệm kỳ vọng không.
Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản.
Trong phân tích phương sai, hồi quy bội và phân tích biệt số, một biến được coi là phụ thuộc và các biến khác được coi là biến độc lập hay biến dự đoán. Nhưng trong phân tích nhân tố không có sự phân biệt hai loại như vậy. Mà thay vào đó, phân tích nhân tố là một kỹ thuật phụ thuộc lẫn nhau, trong đó toàn bộ các mối liên hệ phụ thuộc lẫn nhau sẽ được nghiên cứu.
Về mặt tính toán, phân tích nhân tố hơi giống với phân tích hồi quy ở chỗ mỗi biến được biểu diễn như là một kết hợp tuyến tính của các nhân tố cơ bản. Lượng biến thiên của một biến được giải thích bởi những nhân tố chung trong phân tích. Biến thiên chung của các biến được mô tả bằng một số ít các nhân tố chung cộng với một số nhân tố đặc trưng cho mỗi biến. Những nhân tố này không bộc lộ rõ ràng. Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung.
Nghiên cứu này sử dụng phương pháp dựa vào Eigenvalue để phân tích nhân tố. Theo đó chỉ có những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn 1 biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Bảng Cumulative cho biết những thông tin có liên quan sau khi số lượng nhân tố mong muốn được rút ra. Nó cho biết các communality của các biến tức là phần biên thiên được giải thích bởi các nhân tố chung.
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích được phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn một tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích được phần lớn biến thiên còn lại, và không có tương quan với nhân tố thứ nhất.
Nguyên tắc này được áp dụng như vậy để tiếp tục chọn các quyền số cho các nhân tố tiếp theo. Do vậy các nhân tố được ước lượng sao cho các quyền số của chúng, không giống như các giá trị của các biến gốc, là không có tương quan với nhau. Hơn nữa, nhân tố thứ nhất giải thích được nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích được nhiều thứ nhì…
Chỉ số Kaiser-Meyer-Olkin (KMO) dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (giữa 0,5 và 1) có ý nghĩa là phân tích nhân tố là thích hợp, còn nếu như trị số này là nhỏ hơn 0,5 thì phân tích nhân tố là có khả năng không thích hợp với các dữ liệu.
Nghiên cứu này kỳ vọng sẽ thu được 3 nhân tố tương ứng với 3 khái niệm về tâm lý người tiêu dùng: thái độ/sở thích, sự quan tâm sức khỏe và sự tiện dụng.