4.3. the variables and the factors to which

4.3.  Factor
Analysis is used in order to skillfully meet the  objective 
of  the  research, 
EFA  has  been 
used  to  reduce 
the  number  of 
variables to  a  minor 
set  of  factors 
(Hair  et  al., 
2006;  Field,  2013) 
and  to  abbreviate the  issue 
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 accumulated in
SPSS  21. The execution  of 
the  project commenced with  the 
grouping  of  the 
variables  using  factor 
analysis,  and  then the 
relationship  between  the 
dependent  variable  and 
the  predictors  has 
been  fixed in a firm position
using  multiple regression  analysis. 
The  output  in 
the  form  of 
regression  equation  has 
been  analyzed  at 
the  last  of  the
topic.  The  variables 
recognized  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  appropriate  the 
data  is  for 
the  EFA technique.  These 
have  been  used 
as  a  tool 
to  filtrate  out 
the  variables  not competant 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 accomodate 
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 competant  (Hair 
et  al.,  2006; Field, 
2013). 3  Further  the 
factor  loading  defines 
the  amount  of  equivalence  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 
stowing 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 clarifying method,  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.