حالت اول : زمانی که ماتریس همبستگی بین متغیرها، یک ماتریس همانی باشد. در این صورت متغیرها ارتباط معنی‌داری با هم نداشته و در نتیجه امکان شناسایی عامل‌های جدید، براساس همبستگی متغیرها با یکدیگر وجود ندارد.
حال دوم : زمانی که ماتریس همبستگی بین متغیرها، یک ماتریس همانی نباشد. در این صورت متغیرها ارتباط معنی‌داری با هم داشته و در نتیجه امکان شناسایی عامل‌های جدید، براساس همبستگی متغیرها با یکدیگر وجود دارد.
اگر Sig. آزمون بارتلت کوچکتر از ۵ درصد باشد، تحلیل عاملی برای شناسایی ساختار مدل عاملی مناسب است، زیرا فرض شناخته شده بودن ماتریس همبستگی رد می‌شود. اکنون مقدار آماره آزمون بارتلت برابر ۵۱۰/۱۲۱ و مقدار Sig. آزمون بارتلت برابر ۰۰۰/۰ می‌باشد که کوچکتر از ۰۵/۰ است. پس تحلیل عاملی برای شناسایی ساختار مدل عاملی مناسب است و فرض شناخته شده بودن ماتریس همبستگی رد می‌شود.

جدول چهارم به ترتیب اشتراک اولیه و اشتراک استخراجی را نشان می‌دهد. اشتراک یک متغیر برابر مربع همبستگی چندگانه برای متغیرهای مربوطه با بهره گرفتن از عامل‌ها (به عنوان پیش‌بینی کننده) است. به دلیل این که ستون اشتراک اولیه، اشتراک‌ها را قبل از استخراج عامل‌ها بیان می‌کند، تمامی اشتراک‌های اولیه برابر ۱ می‌باشد. هر چه مقادیر اشتراک استخراجی بزرگتر باشد، عامل‌های استخراج شده، متغیرها را بهتر نمایش می‌دهند. اگر هر یک از مقادیر اشتراک استخراجی بسیار کوچک باشند، ممکن است استخراج عامل دیگری الزامی شود. متغیرهایی که مقادیر اشتراک استخراجی‌شان کمتر از ۵/۰ می‌باشد، را می‌توان مرحله به مرحله حذف نمود. اکنون مقادیر اشتراک استخراجی عامل‌های ۲، ۳، ۹ و ۴ به ترتیب برابر ۳۴۶/۰، ۳۸۷/۰، ۴۰۴/۰ و ۴۱۷/۰ می‌باشند که کوچکتر از ۵/۰ هستند. می‌توان این عامل‌ها را به ترتیب و مرحله به مرحله از مدل حذف نمود تا مقادیر اشتراک استخراجی عامل‌های باقیمانده افزایش یابد.
جدول پنجم حاوی سه قسمت است. قسمت اول مربوط به مقادیر ویژه اولیه است و تعیین کننده عامل‌هایی است که در تحلیل باقی می‌ماند. عامل‌هایی که دارای مقدار ویژه کمتر از ۱ هستند از تحلیل خارج می‌شوند. عوامل خارج شده از تحلیل، عواملی هستند که حضور آنها باعث تبیین بیشتر واریانس نمی‌شود. اکنون مقدار ویژه اولیه مولفه‌های ۱، ۲ و ۳ به ترتیب برابر ۹۳۳/۱، ۳۹۰/۱ و ۱۱۳/۱ می‌باشند که بزرگتر از ۱ هستند و مقدار ویژه اولیه بقیه مولفه‌ها کوچکتر از ۱ می‌باشند. پس فقط مولفه‌های ۱، ۲ و ۳ در تحلیل باقی می‌مانند و سایر مولفه‌ها از تحلیل خارج می‌شوند.
قسمت دوم جدول پنجم مربوط به مقدار ویژه عوامل استخراجی بدون چرخش می‌باشد. در این قسمت فقط مقادیر ویژه مولفه‌های ۱، ۲ و ۳ نشان داده شده است. از ستون درصد واریانس می‌توان نتیجه گرفت که مولفه اول می‌تواند تقریباً ۴۸/۲۱ درصد از تغییرپذیری متغیرها را توضیح دهد. مولفه دوم می‌تواند تقریباً ۴۴/۱۵ درصد از تغییرپذیری متغیرها را توضیح دهد. مولفه سوم می‌تواند تقریباً ۳۶/۱۲ درصد از تغییرپذیری متغیرها را توضیح دهد. از ستون درصد تجمعی می‌توان نتیجه گرفت که مولفه‌های ۱، ۲ و ۳ با همدیگر می‌توانند تقریباً ۲۸/۴۹ درصد از تغییرپذیری متغیرها را توضیح دهند.
قسمت سوم جدول پنجم مربوط به مقدار ویژه عوامل استخراجی با چرخش می‌باشد. در چرخش عامل‌های باقیمانده، نسبتی از کل تغییرات که توسط مولفه‌های ۱، ۲ و ۳ توضیح داده می‌شود، ثابت است (تقریباً ۲۸/۴۹ درصد) ولی برخلاف روش بدون چرخش، که در آن مولفه اول درصد بیشتری از تغییرات (تقریباً ۴۸/۲۱ درصد) را تبیین می‌کند، در روش چرخش عامل‌ها، هر یک از آنها نسبت تقریباً یکسانی از تغییرات را توضیح می‌دهند. این، ویژگی چرخش واریماکس است که تغییرات را میان عامل‌ها به شکل یکنواخت توزیع می‌کند. از ستون درصد واریانس می‌توان نتیجه گرفت که مولفه اول می‌تواند تقریباً ۵۴/۱۷ درصد از تغییرپذیری متغیرها را توضیح دهد. مولفه دوم می‌تواند تقریباً ۳۵/۱۶ درصد از تغییرپذیری متغیرها را توضیح دهد. مولفه سوم می‌تواند تقریباً ۳۹/۱۵ درصد از تغییرپذیری متغیرها را توضیح دهد.
جدول ششم ماتریس مولفه‌ها را نشان می‌دهد که شامل بارهای عاملی یا نمرات عاملی هر یک از متغیرها در عامل‌های باقیمانده می‌باشد. تفسیر بارهای عاملی بدون چرخش، ساده نیست. بنابراین عامل‌ها را می‌چرخانیم تا قابلیت تفسیر آنها افزایش یابد.
جدول هفتم ماتریس چرخیده شده مولفه‌ها را نشان می‌دهد که شامل بارهای عاملی هر یک از متغیرها در عامل‌های باقیمانده پس از چرخش می‌باشد. هر چقدر مقدار قدرمطلق این ضرایب بیشتر باشد، عامل مربوطه نقش بیشتری در کل تغییرات متغیر مورد نظر دارد.
جدول ۴-۱۶ : نتایج آمار توصیفی برای عوامل درون سازمانی