Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là tập kỹ thuật phân tích thống kê có liên hệ với nhau dùng để rút gọn một tập hợp nhiều biến quan sát có mối tương quan với nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Trích Nguyễn Đình Thọ, 2011).
Sau khi tiến hành kiểm định bằng hệ số Cronbach's Alpha ở trên (xem mục 4.2.1), bước tiếp theo tác giả sẽ đưa các biến không bị loại vào phân tích nhân tố. Trong phân tích nhân tố, các nhà nghiên cứu thường chú ý đến các yếu tố sau:
Hệ số KMO (Kaiser-Meyer-Olkin): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố và KMO phải ≥ 0.5. Theo Kaiser (1974) đề nghị KMO ≥ 0.9: rất tốt; KMO ≥ 0.8: tốt; KMO ≥ 0.7: được; KMO ≥ 0.6: tạm được; KMO ≥ 0.5: xấu và KMO < 5: không thể chấp nhận được (Trích Nguyễn Đình Thọ, 2011, trang 397).
Kiểm định Bartlett’s test (Bartlett’s test of sphericity): nhằm kiểm định giả thuyết không (H0 = các biến không có tương quan với nhau trong tổng thể) căn cứ vào giá trị sig., nếu sig. < 0.05 thì các biến quan sát có tương quan với nhau trong tổng thể, do đó ta có thể tiến hành phân tích nhân tố (Hoàng trọng & Chu Nguyễn Mộng Ngọc, 2005).
Hệ số tải nhân tố (Factor loading): là hệ số tương quan giữa các biến và nhân tố, hệ số này cho biết sự liên hệ chặt chẽ giữa các biến với nhau. Nếu hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại, đồng thời các biến có trọng số không đạt độ phân biệt cao giữa các nhân tố (< 0.3) cũng sẽ bị loại (Nguyễn Đình Thọ, 2011).
Nhân tố trích được phải có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích vì đây là đại lượng đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố (Hair & ctg, 2006).
Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%
Trong đề tài này, tác giả sử dụng phương pháp trích Principal Components Analysis (PCA) với phép xoay Varimax để tìm ra các nhân tốđại diện cho các biến.