Słownik metodologiczny · Analiza czynnikowa

Rotacja ortogonalna – co zmienia w analizie czynnikowej i kiedy ma sens?

Rotacja ortogonalna obraca osie czynników, zachowując ich niezależność. Pokazujemy, że przesuwa wariancję między czynnikami bez zmiany jej sumy, porównujemy quartimax, varimax i equamax na jednym przykładzie z R i wyjaśniamy, kiedy założenie nieskorelowanych czynników zniekształca wynik.

Strona główna / Słownik / Rotacja ortogonalna
W skrócie: Rotacja ortogonalna obraca osie czynników tak, by pozostały prostopadłe, więc czynniki są nieskorelowane. Nie zmienia wspólności ani dopasowania modelu, tylko podział wariancji między czynniki: quartimax sprzyja czynnikowi ogólnemu, varimax i equamax – czynnikom podobnej wielkości. Stosuj ją, gdy rotacja ukośna pokazuje korelacje czynników bliskie zera; przy skorelowanych konstruktach wybierz rotację ukośną.

Co to jest rotacja ortogonalna?

Rotacja ortogonalna (ang. orthogonal rotation) to obrót osi czynników w analizie czynnikowej lub analizie głównych składowych, przy którym osie pozostają do siebie prostopadłe. Czynniki po rotacji są więc nieskorelowane, a każdy ładunek czynnikowy jest jednocześnie korelacją pozycji z czynnikiem. Celem rotacji jest prostsza do interpretacji macierz ładunków; samo rozwiązanie pozostaje matematycznie równoważne rozwiązaniu nierotowanemu.

Formalnie rotację opisuje macierz T, przez którą mnoży się macierz ładunków. Warunkiem ortogonalności jest T′T = I:

Λrot = ΛT,   T′T = I  ⇒  ΛrotΛrot′ = ΛΛ′

Z ostatniej równości wynika najważniejsza własność: rotacja ortogonalna nie zmienia odtworzonej macierzy korelacji, a więc ani wspólności pozycji, ani dopasowania modelu. Zmienia tylko to, jak wariancję wspólną dzielimy między czynniki.

Rodzaje rotacji ortogonalnych

Metody różnią się tym, jaką „prostotę” maksymalizują. Kaiser (1958) zestawił kryteria quartimax i varimax, a Browne (2001) omawia całą rodzinę kryteriów analitycznych.

Porównanie rotacji quartimax, varimax i equamax
RotacjaCo upraszczaTypowy efektKiedy rozważyć
QuartimaxWiersze: każda pozycja ma ładować jak najmniej czynnikówJeden duży czynnik ogólny i kilka mniejszychGdy spodziewasz się silnego czynnika ogólnego
VarimaxKolumny: każdy czynnik ma mieć kilka wysokich i wiele zerowych ładunkówCzynniki podobnej wielkościDomyślny wybór ortogonalny; czynniki o podobnym znaczeniu
EquamaxKompromis wierszy i kolumn (waga zależna od liczby czynników)Jeszcze bardziej wyrównana wariancja czynnikówRzadko; gdy varimax nadal daje czynnik dominujący

Wszystkie trzy wymuszają zerowe korelacje czynników. Jeśli czynniki w populacji są skorelowane, żadna rotacja ortogonalna tego nie pokaże. Związek czynników przejdzie wtedy do ładunków krzyżowych albo do czynnika ogólnego. Alternatywą jest rotacja nieortogonalna (ukośna).

Programy oferują też rzadziej używane kryteria ortogonalne (np. parsimax czy rotacje ortogonalne do macierzy docelowej). W pracach z psychologii niemal zawsze spotkasz jednak varimax, dlatego jego wybór wymaga najmniej wyjaśnień – ale nadal wymaga uzasadnienia, dlaczego rotacja ma być ortogonalna.

Przykład: satysfakcja z pracy i trzy rotacje

Czterysta osób pracujących oceniło 12 stwierdzeń o satysfakcji z pracy: po 4 o wynagrodzeniu (wyn1–wyn4), współpracownikach (wsp1–wsp4) i przełożonym (prz1–prz4); odpowiedzi 1–5. Dane symulowano z modelu z silnym czynnikiem ogólnym (ogólne zadowolenie) i trzema słabszymi czynnikami obszarów. Metodą osi głównych wyodrębniono trzy czynniki i poddano je trzem rotacjom ortogonalnym. Wspólności pozycji wynoszą .36–.52 i są identyczne we wszystkich rozwiązaniach, a łączna wariancja wspólna to 5.34, czyli 44.5% wariancji 12 pozycji.

Słupki skumulowane sum kwadratów ładunków trzech czynników: bez rotacji 4.04, 0.89 i 0.42; po quartimax 3.19, 1.71 i 0.44; po varimax 1.95, 1.81 i 1.58; po equamax 1.96, 1.74 i 1.64; w każdym przypadku razem 5.34
Rysunek 1. Suma kwadratów ładunków (wariancja przypisana czynnikowi) przed rotacją i po trzech rotacjach ortogonalnych; czynniki uporządkowano od największego. Długość całego słupka jest zawsze ta sama. Obliczenia: R (dane symulowane).

Rysunek pokazuje, co naprawdę robi rotacja ortogonalna: przesuwa wariancję między czynnikami, nie zmieniając jej sumy. Bez rotacji pierwszy czynnik „zabiera” 4.04 z 5.34. Quartimax zostawia czynnik dominujący (3.19), na którym wysoko ładują razem pozycje o wynagrodzeniu i współpracownikach (.52–.66), a pozycje o przełożonym mają na nim ładunki .24–.32. Trzeci czynnik quartimax jest bardzo słaby (0.44). Varimax i equamax wyrównują wielkość czynników (1.58–1.96) i dają trzy czytelne grupy pozycji odpowiadające trzem obszarom satysfakcji. Liczba pozycji z ładunkiem co najmniej .30 na więcej niż jednym czynniku wynosi 4 po quartimax i po 2 po varimax i equamax.

Pułapka: rotacja ortogonalna przy skorelowanych czynnikach

Po varimax struktura wygląda dobrze, ale ładunki krzyżowe są systematycznie dodatnie (.09–.33). To ślad czynnika ogólnego, którego rotacja ortogonalna nie może wyrazić inaczej. Sprawdzian jest prosty: rotacja ukośna (oblimin) tych samych trzech czynników daje korelacje .48, .49 i .63. Wymiary satysfakcji są więc wyraźnie powiązane, a założenie nieskorelowanych czynników – nierealistyczne. Sass i Schmitt (2010) pokazali, że w takich warunkach wybór kryterium rotacji może zasadniczo zmienić interpretację ładunków.

W tej sytuacji uczciwszym opisem jest rozwiązanie ukośne z raportem korelacji czynników albo model z czynnikiem ogólnym i czynnikami specyficznymi (model bifactor, testowany zwykle w CFA). Rotację ortogonalną wybierz wtedy, gdy:

  • teoria przewiduje niezależne wymiary, a rotacja ukośna daje korelacje czynników bliskie zera;
  • chcesz wykorzystać wyniki czynnikowe lub składowe jako nieskorelowane predyktory, np. w regresji;
  • chcesz porównać wynik z wcześniejszymi badaniami, które używały varimax – wtedy jako analizę dodatkową, obok rozwiązania ukośnego.

Schmitt (2011) zalicza wybór kryterium rotacji do decyzji, w których badacze wciąż często sięgają po przestarzałe rozwiązania. W praktyce oznacza to najczęściej mechaniczne stosowanie varimax niezależnie od danych.

Rotacja ortogonalna a wyniki czynnikowe i PCA

Częstym powodem wyboru rotacji ortogonalnej jest chęć uzyskania nieskorelowanych wyników, które można wprowadzić razem do regresji wielorakiej bez współliniowości. Trzeba tu odróżnić dwie sytuacje:

  • W analizie głównych składowych wyniki składowych po rotacji ortogonalnej są dokładnie nieskorelowane, bo składowe są ważonymi sumami zmiennych obliczanymi bez błędu.
  • W analizie czynników wspólnych nieskorelowane są czynniki w modelu, ale wyniki czynnikowe oszacowane dla osób (np. metodą regresji) zwykle nieco ze sobą korelują, bo są tylko przybliżeniem nieobserwowalnych czynników.

Jeśli głównym celem jest uzyskanie kilku nieskorelowanych wskaźników, PCA z rotacją varimax jest prostszym i uczciwszym narzędziem. Jeśli celem jest opis struktury kwestionariusza, kieruj się korelacjami czynników, a nie wygodą dalszych analiz. W skalach z podskalami najczęściej i tak liczy się średnie lub sumy pozycji, a nie wyniki czynnikowe – a te sumy będą skorelowane niezależnie od wybranej rotacji.

Jak opisać rotację ortogonalną w pracy (APA)

Podaj nazwę rotacji i uzasadnienie wyboru – najlepiej z wynikiem sprawdzenia korelacji czynników po rotacji ukośnej – oraz sumy kwadratów ładunków po rotacji. Przy rotacji ortogonalnej można zsumować wariancję czynników i podać łączny procent wariancji. Tabelę ładunków przygotuj według wzoru tabeli analizy czynnikowej w APA.

Trzy czynniki wyodrębnione metodą osi głównych poddano rotacji varimax. Po rotacji czynniki odpowiadały satysfakcji z wynagrodzenia (ładunki .46–.67), ze współpracowników (.53–.65) i z przełożonego (.59–.69); sumy kwadratów ładunków wyniosły odpowiednio 1.58, 1.81 i 1.95, a łącznie czynniki wyjaśniały 44.5% wariancji pozycji. Ponieważ w rozwiązaniu z rotacją oblimin czynniki korelowały na poziomie .48–.63, jako rozwiązanie główne przyjęto rozwiązanie ukośne, a wynik varimax przedstawiono jako analizę uzupełniającą.

Więcej o wyborze rotacji w całym procesie EFA piszemy w poradniku Analiza czynnikowa EFA i CFA, a o budowie skal z podskalami – w poradniku Jak zbudować i zwalidować skalę psychometryczną.

Przykład reprodukowalny

Przykład w R

Kod generuje dane, wyodrębnia trzy czynniki metodą osi głównych i porównuje rozwiązanie nierotowane z rotacjami quartimax, varimax i equamax: sumy kwadratów ładunków, wspólności, ładunki, ortogonalność macierzy rotacji, liczbę pozycji z ładunkami krzyżowymi oraz korelacje czynników po rotacji ukośnej.

Quartimax, varimax i equamax na tych samych danych

Dane wejściowe: 12 pozycji satysfakcji z pracy (1–5), 400 osób (dane symulowane, set.seed(175)).

Co odczytać: tabelę SS (wariancja czynników w każdym rozwiązaniu), stałą sumę 5.343, identyczne wspólności, ładunki po quartimax i varimax, T'T = I, liczbę pozycji z ładunkami ≥ .30 na kilku czynnikach (4, 2, 2) oraz macierz korelacji czynników po oblimin.

R
# R175 – Rotacja ortogonalna: quartimax, varimax i equamax na tych samych danych
# Dane symulowane: 12 pozycji skali satysfakcji z pracy – ogólna satysfakcja (czynnik ogólny)
# oraz trzy obszary po 4 pozycje: wynagrodzenie (wyn), współpracownicy (wsp), przełożony (prz); N = 400, odpowiedzi 1–5
suppressPackageStartupMessages({library(MASS); library(psych); library(GPArotation)})
set.seed(175)
G <- c(rep(.60, 4), rep(.55, 4), rep(.50, 4))           # ładunki czynnika ogólnego
S <- matrix(0, 12, 3); S[1:4, 1] <- .35; S[5:8, 2] <- .40; S[9:12, 3] <- .45
L <- cbind(G, S)
Sigma <- L %*% t(L); diag(Sigma) <- 1
z <- mvrnorm(400, rep(0, 12), Sigma)
dane <- as.data.frame(apply(z, 2, function(x) as.integer(cut(x, c(-Inf, -1.5, -0.5, 0.5, 1.5, Inf)))))
names(dane) <- c(paste0("wyn", 1:4), paste0("wsp", 1:4), paste0("prz", 1:4))

rot <- c("none", "quartimax", "varimax", "equamax")
wyn <- lapply(rot, function(r) fa(dane, nfactors = 3, fm = "pa", rotate = r))
names(wyn) <- rot

# Suma kwadratów ładunków (wariancja „przypisana” czynnikowi) – posortowana malejąco
SS <- t(sapply(wyn, function(f) sort(colSums(unclass(f$loadings)^2), decreasing = TRUE)))
round(SS, 2)
round(rowSums(SS), 3)                                   # suma zawsze ta sama
round(100 * rowSums(SS)[1] / ncol(dane), 1)              # % wariancji 12 pozycji
round(sapply(wyn, function(f) f$communality)[1:3, ], 3) # wspólności się nie zmieniają

# Ładunki po quartimax i varimax
print(wyn$quartimax$loadings, cutoff = 0, digits = 2)
print(wyn$varimax$loadings, cutoff = 0, digits = 2)

# Macierz rotacji T jest ortogonalna: T'T = I
Tq <- wyn$varimax$rot.mat
round(t(Tq) %*% Tq, 3)
# Liczba pozycji z ładunkiem >= .30 na więcej niż jednym czynniku
sapply(wyn[-1], function(f) sum(rowSums(abs(unclass(f$loadings)) >= .30) > 1))
# Czy czynniki naprawdę są nieskorelowane? Korelacje po rotacji oblimin
round(fa(dane, nfactors = 3, fm = "pa", rotate = "oblimin")$Phi, 2)
Wynik w R
           PA1  PA2  PA3
none      4.04 0.89 0.42
quartimax 3.19 1.71 0.44
varimax   1.95 1.81 1.58
equamax   1.96 1.74 1.64
     none quartimax   varimax   equamax 
    5.343     5.343     5.343     5.343 
none 
44.5 
      none quartimax varimax equamax
wyn1 0.410     0.410   0.410   0.410
wyn2 0.515     0.515   0.515   0.515
wyn3 0.423     0.423   0.423   0.423

Loadings:
     PA1   PA2   PA3  
wyn1  0.56  0.19  0.25
wyn2  0.59  0.09  0.39
wyn3  0.58  0.21  0.20
wyn4  0.52  0.22  0.19
wsp1  0.66  0.13 -0.23
wsp2  0.60  0.06 -0.11
wsp3  0.61  0.05 -0.20
wsp4  0.62  0.17 -0.08
prz1  0.32  0.57  0.10
prz2  0.31  0.64 -0.07
prz3  0.31  0.59  0.12
prz4  0.24  0.67 -0.06

                PA1  PA2  PA3
SS loadings    3.19 1.71 0.44
Proportion Var 0.27 0.14 0.04
Cumulative Var 0.27 0.41 0.45

Loadings:
     PA2  PA3  PA1 
wyn1 0.23 0.29 0.53
wyn2 0.12 0.24 0.67
wyn3 0.25 0.33 0.50
wyn4 0.25 0.28 0.46
wsp1 0.20 0.65 0.20
wsp2 0.12 0.55 0.26
wsp3 0.12 0.61 0.20
wsp4 0.23 0.53 0.30
prz1 0.59 0.14 0.26
prz2 0.67 0.22 0.11
prz3 0.60 0.12 0.28
prz4 0.69 0.16 0.09

                PA2  PA3  PA1
SS loadings    1.95 1.81 1.58
Proportion Var 0.16 0.15 0.13
Cumulative Var 0.16 0.31 0.45
     [,1] [,2] [,3]
[1,]    1    0    0
[2,]    0    1    0
[3,]    0    0    1
quartimax   varimax   equamax 
        4         2         2 
     PA3  PA1  PA2
PA3 1.00 0.49 0.48
PA1 0.49 1.00 0.63
PA2 0.48 0.63 1.00

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; ekstrakcję i rotacje wykonano pakietami psych i GPArotation, dane wygenerowano pakietem MASS, rysunek przygotowano w ggplot2.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (R package version 2.6.5) [Computer software]. Northwestern University. https://CRAN.R-project.org/package=psych
  3. GPArotation (wersja 2025.3-1): Bernaards, C. A., & Jennrich, R. I. (2005). Gradient projection algorithms and software for arbitrary rotation criteria in factor analysis. Educational and Psychological Measurement, 65(5), 676–696. https://doi.org/10.1177/0013164404272507
  4. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Rotacja ortogonalna bez sprawdzenia korelacji czynników – wykonaj najpierw rotację ukośną; jeśli korelacje są wyraźne, rozwiązanie ortogonalne zniekształca obraz.
  • Myślenie, że rotacja „poprawia” wynik – wspólności, odtworzone korelacje i dopasowanie modelu są identyczne przed rotacją i po niej.
  • Raportowanie wariancji sprzed rotacji – w przykładzie pierwszy czynnik miał przed rotacją 4.04, a po varimax 1.95; podawaj wartości po rotacji.
  • Quartimax w skali z podskalami – sprzyja czynnikowi ogólnemu i może połączyć dwie podskale w jeden czynnik.
  • Interpretowanie dodatnich ładunków krzyżowych jako „pozycji złożonych” – przy skorelowanych czynnikach to często efekt wymuszonej ortogonalności, a nie wada pozycji.
  • Brak nazwy rotacji w opisie – „zastosowano rotację” nic nie mówi; podaj metodę i powód wyboru.
  • Porównywanie ładunków z różnych rotacji jak z różnych badań – różnice między quartimax a varimax nie świadczą o niestabilności skali, tylko o innym podziale tej samej wariancji wspólnej; porównuj rozwiązania przy tej samej rotacji.

Najczęstsze pytania

Jakie są rodzaje rotacji ortogonalnej?

Najczęściej używa się trzech: quartimax (upraszcza wiersze i sprzyja jednemu dużemu czynnikowi), varimax (upraszcza kolumny i daje czynniki podobnej wielkości) oraz equamax (kompromis między nimi). Wszystkie zachowują zerowe korelacje czynników i dają te same wspólności.

Czy rotacja ortogonalna zmienia wyniki analizy czynnikowej?

Nie zmienia dopasowania modelu, wspólności pozycji ani łącznej wariancji wyjaśnionej. Zmienia ładunki i podział wariancji między czynniki – w przykładzie pierwszy czynnik miał 4.04 przed rotacją i 1.95 po varimax, przy niezmienionej sumie 5.34.

Skąd wiadomo, czy można użyć rotacji ortogonalnej?

Wykonaj rotację ukośną (np. oblimin) i sprawdź macierz korelacji czynników. Jeśli korelacje są bliskie zera, rotacja ortogonalna da praktycznie ten sam obraz. Jeśli wynoszą .30 lub więcej, założenie niezależności czynników jest nierealistyczne.

Dlaczego quartimax tworzy czynnik ogólny?

Bo maksymalizuje prostotę wierszy: dąży do tego, by każda pozycja ładowała jak najmniej czynników, najlepiej jeden. Najłatwiej osiągnąć to, kierując wiele pozycji na ten sam, duży czynnik. W skalach z podskalami może to połączyć dwie podskale w jeden czynnik.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Browne, M. W. (2001). An overview of analytic rotation in exploratory factor analysis. Multivariate Behavioral Research, 36(1), 111–150. https://doi.org/10.1207/s15327906mbr3601_05
  2. Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200. https://doi.org/10.1007/bf02289233
  3. Sass, D. A., & Schmitt, T. A. (2010). A comparative investigation of rotation criteria within exploratory factor analysis. Multivariate Behavioral Research, 45(1), 73–103. https://doi.org/10.1080/00273170903504810
  4. Schmitt, T. A. (2011). Current methodological considerations in exploratory and confirmatory factor analysis. Journal of Psychoeducational Assessment, 29(4), 304–321. https://doi.org/10.1177/0734282911406653

Cytowania BibTeX

@article{browne2001overview, author={Browne, Michael W.}, title={{An overview of analytic rotation in exploratory factor analysis}}, journal={Multivariate Behavioral Research}, year={2001}, volume={36}, number={1}, pages={111--150}, doi={10.1207/s15327906mbr3601_05}}
@article{kaiser1958varimax, author={Kaiser, Henry F.}, title={{The varimax criterion for analytic rotation in factor analysis}}, journal={Psychometrika}, year={1958}, volume={23}, number={3}, pages={187--200}, doi={10.1007/bf02289233}}
@article{sass2010comparative, author={Sass, Daniel A. and Schmitt, Thomas A.}, title={{A comparative investigation of rotation criteria within exploratory factor analysis}}, journal={Multivariate Behavioral Research}, year={2010}, volume={45}, number={1}, pages={73--103}, doi={10.1080/00273170903504810}}
@article{schmitt2011current, author={Schmitt, Thomas A.}, title={{Current methodological considerations in exploratory and confirmatory factor analysis}}, journal={Journal of Psychoeducational Assessment}, year={2011}, volume={29}, number={4}, pages={304--321}, doi={10.1177/0734282911406653}}
R