4.3.  Factor  Analysis In order  to  meet the  objective  of the  research,  EFA has  been  used to  reduce  the number  of  variables to a  smaller  set of  factors  (Hair et  al.,  2006; Field,  2013)  and to  minimize  the problem  of multicollinearity  (Malhotra and  Dash,  2011). The  motive  is to  find  the degree  of  dependency of  these individual  variables on  the  dependent variable.

  The  whole set  of  data has  been  compiled in  SPSS  21. The execution  of  the project  started  with the  grouping  of the  variables  using factor  analysis,  and then the  relationship  between the  dependent  variable and  the  predictors has  been  established using  multiple regression  analysis. The  output  in  the  form  of regression  equation  has been  analyzed  at the  last  of  thetopic.

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!

order now

  The  variables identified  in  the research  and  the data  sample  collected on  these  variables are  input to  EFA. Through  EFA,  the number  of  variables is  reduced  to a  fewer  set of  factors  using varimax rotation.  The  EFA technique  is  widely used  for  the reduction  of the  problem of  multicollinearity  among the variables.  The  criteria for  EFA  for finalizing  the  factor structure  are  as follows  (Hair  et al.,  2006): 1  Correlation matrix  and  Anti-Image Matrix  results  show how  suitable  the data  is  for the  EFA technique.  These have  been  used as  a  tool to  filter  out the  variables  not adequate  for  factor analysis (Field,  2013).

2  Kieser-Meyer-Olkin  (KMO) value  and  Bartlett’s test  for  sphericity are  used  as measures  of  sampling adequacy.  To meet  the  criteria, the  KMO  value must  be  more than  0.8  With the  KMO  value of  0.922, and  Bartlett’s significance  value  of 0.

000,  the  sample collected  is  extremely adequate  (Hair  et al.,  2006; Field,  2013). 3 Further  the  factor loading  defines  the amount  of  correlation between  the  variables and  the  factors to which  they  belong. The  factor  loading value  can  vary from  –1  to +1  and  square of  any  of these numbers  defines  the amount  of  variability accounted  for  this factor.

  Lower  factor loading  values,  i.e. less than  0.5  and lower  communality  variables are  filtered  from the  data  set (Hair  et  al., 2006;  Field, 2013). 4  The Eigen  value  amounts the  total  variance explained  by  the factors.

  It  is also  a  kind of  filtering technique,  as the  factors  with  Eigen values  greater  than 1  are  considered. As  we  can see  in  the table below,  there  are in  all  6 factors  which  have Eigen  value  greater than  1  (Hair et  al.,  2006). 5 The  percentage  variance defines  the  percentage of  total  variance being  explained  by that  particular factor.