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  the
topic.  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.