Dữ liệu được phân tích, xử lý bằng phần mềm SPSS 26 với các bước như sau: - Phân tích hệ số Cronbach’s Alpha: mục đích để kiểm tra độ tin cậy của từng thành phần thang đo thông qua mức độ tương quan giữa các biến nhằm loại các biến không đạt yêu cầu. Hệ số Cronbach’s Alpha đạt từ 0.6 đến gần 1 thì mới đảm bảo các biến trong cùng 1 nhân tố có tương quan với nhau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trong mỗi thang đo, hệ số tương quan biến tổng (Corrected – Total Correlation) thể hiện sự tương quan giữa một biến quan sát với tất cả các biến khác trong thang đo. Do đó, hệ số này càng cao thì sự tương quan các biến quan sát này với các biến khác trong thang đo càng cao. Theo Nunnally & Burnstein (1994) thì các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được xem là biến rác và loại ra khỏi thang đo.
- Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) dùng để rút gọn một tệp gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn để chúng có ý nghĩa hơn những vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al., 2009). Phân tích EFA được chấp nhận khi:
+ Hệ số KMO (Kaiser Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố phải đạt giá trị từ 0.5 trở lên (0.5 =< KMO =<1). Nếu chỉ số này nhỏ hơn 0.5 thì phân tích không thích hợp.
+ Kiểm định Bartlett (Barlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Các biến quan sát có tương quan với nhau trong nhân tố khi chỉ số sig trong Kiểm định Bartlett nhỏ hơn 0.05.
+ Trị số Eigenvalue là đại lượng đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có Eigenvalue lớn hơn hoặc bằng 1 thì sẽ được giữ lại trong mô hình phân tích và ngược lại.
+ Tổng phương sai trích (Total Variance Explained) thể hiện các nhân tố được trích cô đọng được bao nhiêu % và thất thoát bao nhiêu % của các biến quan sát, phương sai lớn hơn hoặc bằng 50% cho thấy mô hình EFA là phù hợp.
+ Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, là hệ số tương quan giữa biến quan sát với nhân tố và có giá trị phân biệt khi lớn lớn hoặc bằng 0.3.
- Phân tích tương quan và hồi quy:
+ Phân tích tương quan: các thang đo đã đạt yêu cầu ở kiểm định trước sẽ được đưa vào phân tích tương quan để xem xét mối quan hệ tuyến tính giữa các biến độc lập và biến phụ thuộc, khi đó việc sử dụng phân tích hồi quy là phù hợp. Hệ số tương quan Person (r) có giá trị trong khoảng (-1,1); giá trị tuyệt đối của (r) càng tiến đến 1 khi hai biến có mối quan hệ tương quan chặt chẽ (r) bằng 0 nghĩa là hai biến không có mối quan hệ tuyến tính.
+ Phân tích hồi quy: dùng để kiểm định giả thuyết đã được đưa ra trong mô hình với mức ý nghĩa (sig) 5%, từ đó ta biết mức độ tác động của biến độc lập lên biến phụ thuộc thông qua việc xây dựng phương trình tuyến tính. Nếu (sig) nhỏ hơn hoặc bằng 0.05 thì bác bỏ giả thuyết H0, nếu (sig) lớn hơn 0.05 thì chưa có cơ sở để bác bỏ giả thuyết H0.
- Kiểm định sự khác biệt: SHL của NNT theo các yếu tố nhân khẩu học như giới tính, độ tuổi, trình độ chuyên môn, đối tượng NNT và tần suất liên hệ làm việc bằng kiểm định T-test và phân tích Anova.