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:
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.
| Rotacja | Co upraszcza | Typowy efekt | Kiedy rozważyć |
|---|---|---|---|
| Quartimax | Wiersze: każda pozycja ma ładować jak najmniej czynników | Jeden duży czynnik ogólny i kilka mniejszych | Gdy spodziewasz się silnego czynnika ogólnego |
| Varimax | Kolumny: każdy czynnik ma mieć kilka wysokich i wiele zerowych ładunków | Czynniki podobnej wielkości | Domyślny wybór ortogonalny; czynniki o podobnym znaczeniu |
| Equamax | Kompromis wierszy i kolumn (waga zależna od liczby czynników) | Jeszcze bardziej wyrównana wariancja czynników | Rzadko; 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.
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.
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 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
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 1.00Bibliografia 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.
- 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/
- 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
- 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
- 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
- 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
Analiza czynnikowa EFA i CFA
EFA czy CFA, analiza równoległa, rotacja oblimin a varimax, przejście od EFA do CFA na nowej próbie, WLSMV i opis APA – z danymi i kodem R.
Czytaj →PoradnikJak zbudować i zwalidować skalę psychometryczną?
Od definicji konstruktu i tworzenia pozycji po pilotaż, EFA, CFA, rzetelność, trafność teoretyczną, różnicową i niezmienniczość.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200. https://doi.org/10.1007/bf02289233
- 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
- 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}}