để thu nhỏ và tóm tắt dữ liệu. 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 xuống 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. Về mặt tính toán, phân tích nhân tố hơi giống với phân tích hồi quy bội 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 dược gọi là communality. Biến thiên chung của các biến được mô tả bằng một số ít các nhân tố chung (common factor) cộng với một nhân tố đặc trưng (unique factor) cho mỗi biến.
Những nhân tố này không bộc lộ rõ ràng. Nếu các biến được chuẩn hóa thì mô hình nhân tố được thể hiện bằng phương trình:
Xi = Ai1F1 + A i2F2 + A i3 F3 +...+ Aím Fm + ViUi
Trong đó:
Xi : biến thứ i chuẩn hóa
Aij : hệ số hồi quy bội chuẩn hóa cùa nhân tố j đối với biến i F : các nhân tố chung
Vi : hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i Ui : nhân tố đặc trưng của biến i
m : số nhân tố chung
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi = Wi 1X1+ Wi 2X2+ Wi 3X3+ . . . + Wi kXk
Trong đó:
Fi :ước lượng trị số của nhân tố thứ i
Wt :quyền số hay trọng số nhân tố (weight or factor score coefficient) k :số biến
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 ...
Đề tài nghiên cứu đã sử dụng phương pháp phân tích nhân tố EFA, phép trích nhân tố là Principal Component Analysis (PCA) với phép quay vuông góc Varimax và điểm dừng khi trích các yếu tố có eigenvalue 1. Trong quá trình thực hiện phân tích EFA, các mục hỏi của các thang đo không đạt yêu cầu sẽ bị loại. Các mục hỏi được chọn dựa trên tiêu chuẩn hệ số tải nhân tố (factor loading) > 0,4; hệ số phép trừ KMO (Keyser-Meyer - Olkin of Sampling Adeqacy) có giá trị từ 0,5 trở lên và phép thử Barlett (Barlett Test of Sphericity) phải ở mức có ý nghĩa.
Phân tích nhân tố được sử dụng trong nhiều trường hợp.
-Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trong các tập hợp biến. Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau.
-Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong các phân tích đa biến kế tiếp.