 Rock Street, San Francisco

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. 