Co to jest rotacja varimax?
Rotacja varimax (ang. varimax rotation) to najpopularniejsza metoda rotacji ortogonalnej w analizie czynnikowej i analizie głównych składowych. Obraca osie czynników tak, aby w każdej kolumnie macierzy ładunków było kilka ładunków wysokich i wiele bliskich zera. Kaiser (1958) zdefiniował ją jako analityczne kryterium, które zastąpiło subiektywne obracanie osi „na oko”. Pokazał też, że znormalizowany varimax daje rozwiązania bliskie prostej struktury Thurstone’a: każda pozycja ładuje jeden czynnik, a każdy czynnik jest opisany przez wyraźną grupę pozycji.
Varimax zachowuje prostopadłość osi, więc czynniki po rotacji pozostają nieskorelowane. To jego główna zaleta (prosta interpretacja ładunków jako korelacji) i główne ograniczenie: w psychologii konstrukty prawie zawsze ze sobą korelują, a wtedy lepiej sprawdza się rotacja ukośna.
Co maksymalizuje varimax?
Nazwa pochodzi od variance maximization. Kryterium to suma – po wszystkich czynnikach – wariancji kwadratów ładunków w kolumnie. Zwykle liczy się je na ładunkach podzielonych przez pierwiastek ze wspólności pozycji; to tzw. normalizacja Kaisera, domyślna w R i SPSS:
Wariancja kwadratów ładunków jest duża, gdy w kolumnie są wartości skrajne – bliskie zera i wysokie – a mała, gdy wszystkie ładunki są średnie. Varimax „rozpycha” więc ładunki w każdej kolumnie do biegunów. Kryterium quartimax działa na wierszach (każda pozycja ma ładować jak najmniej czynników) i sprzyja czynnikowi ogólnemu. Kaiser (1958) porównał oba kryteria i wskazał, że ostatecznym sprawdzianem rotacji powinna być stabilność czynników w różnych zestawach zmiennych, a nie sama prostota rozwiązania.
Bez normalizacji Kaisera (tzw. surowy varimax) pozycje o wysokich wspólnościach mają w kryterium większą wagę, a pozycje słabe prawie się nie liczą. W typowych skalach oba warianty dają podobne rozwiązania, ale jeśli porównujesz wyniki z innym badaniem, sprawdź, którego wariantu użyto. W pracy wystarczy zdanie „rotacja varimax z normalizacją Kaisera”.
Przykład: obrót osi o 41.6°
Trzysta osób wypełniło 8 pozycji krótkiego kwestionariusza osobowości: 4 dotyczą ekstrawersji (eks1–eks4), 4 – sumienności (sum1–sum4); odpowiedzi 1–5, dane symulowane, korelacja czynników w populacji .20. Metoda osi głównych wyodrębniła dwa czynniki. Przed rotacją wszystkie pozycje mają ładunki .41–.55 na pierwszym czynniku, a drugi czynnik jest dwubiegunowy: ekstrawersja po stronie ujemnej (od −.34 do −.44), sumienność po dodatniej (.31–.56). Taki układ jest typowy dla rozwiązania nierotowanego i bardzo trudny do nazwania.
| Pozycja | Czynnik 1 przed | Czynnik 2 przed | Ekstrawersja po varimax | Sumienność po varimax |
|---|---|---|---|---|
| eks1 | .55 | −.35 | .64 | .11 |
| eks2 | .52 | −.44 | .68 | .02 |
| eks3 | .52 | −.34 | .62 | .09 |
| eks4 | .50 | −.34 | .60 | .08 |
| sum1 | .55 | .56 | .04 | .78 |
| sum2 | .48 | .38 | .10 | .60 |
| sum3 | .41 | .38 | .05 | .56 |
| sum4 | .42 | .31 | .12 | .51 |
Varimax obrócił osie o 41.6°. Macierz rotacji T ma elementy .748 i ±.663, czyli cos i sin tego kąta, a T′T = I potwierdza, że obrót jest sztywny. Po rotacji ekstrawersja ma ładunki .60–.68, sumienność .51–.78, a ładunki krzyżowe nie przekraczają .12. Kryterium varimax wzrosło z .011 do .463; przegląd kątów co 1° potwierdza maksimum przy 42° (rysunek 1B).
Co rotacja zmienia, a czego nie?
| Wielkość | Przed rotacją | Po varimax |
|---|---|---|
| Wspólności pozycji h² | .27–.61 | te same (.27–.61) |
| Łączna wariancja wspólna (suma h²) | 3.22 | 3.22 |
| Suma kwadratów ładunków czynnika 1 / czynnika 2 | 1.98 / 1.24 | 1.65 / 1.57 |
| Korelacja czynników | 0 | 0 |
| Dopasowanie modelu, macierz odtworzonych korelacji | bez zmian | |
Rotacja nie poprawia modelu, tylko przedstawia to samo rozwiązanie w wygodniejszym układzie osi. Zmienia się natomiast podział wariancji: przed rotacją pierwszy czynnik „zabierał” dużą jej część, po varimax oba czynniki są podobnej wielkości. Dlatego w tabeli wyjaśnionej wariancji raportuj sumy kwadratów ładunków po rotacji.
Kiedy wybrać varimax?
Varimax ma sens, gdy masz teoretyczne powody, by uważać czynniki za niezależne, albo gdy rozwiązanie ukośne pokazuje korelacje czynników bliskie zera. W przykładzie rotacja oblimin oszacowała korelację czynników na .20 – to związek słaby, więc oba rozwiązania prowadzą do tych samych wniosków. Przy korelacjach rzędu .30 i wyższych varimax wymusza niezależność, której w danych nie ma, i przenosi część wspólnej wariancji na ładunki krzyżowe. Sass i Schmitt (2010) pokazali, że wybór kryterium rotacji może istotnie zmienić interpretację ładunków i korelacji czynników, zwłaszcza gdy wzór ładunków jest złożony. Browne (2001) zwraca uwagę, że przy złożonych wzorach standardowe kryteria rotacji mogą dawać słabe rozwiązania. Rozsądna praktyka: zacznij od rotacji ukośnej (np. oblimin), a varimax wybierz, gdy korelacje czynników okażą się bliskie zera.
Gdzie varimax mieści się w procedurze EFA?
Rotacja to jeden z ostatnich kroków analizy. Zanim ją wykonasz, musisz podjąć decyzje, od których zależy, co w ogóle będzie obracane:
- Czy macierz nadaje się do analizy – korelacje między pozycjami, KMO i test sferyczności Bartletta.
- Liczba czynników – analiza równoległa, pomocniczo kryterium Kaisera i wykres osypiska. Rotacja nie naprawi złej liczby czynników: przy jednym czynniku za dużo varimax „rozdzieli” wariancję na sztuczny czynnik z dwiema–trzema pozycjami.
- Ekstrakcja – metoda osi głównych lub największej wiarygodności; varimax po ekstrakcji głównymi składowymi obraca składowe z zawyżonymi ładunkami.
- Rotacja – najpierw ukośna, varimax przy korelacjach czynników bliskich zera.
- Interpretacja – ładunki główne i krzyżowe, treść pozycji, rzetelność podskal.
- Potwierdzenie – CFA na nowej próbie, w której czynniki zwykle mogą korelować, nawet jeśli w EFA użyto varimax.
Jak opisać rotację varimax w pracy (APA)
Podaj nazwę rotacji, informację o normalizacji Kaisera, uzasadnienie wyboru rotacji ortogonalnej oraz sumy kwadratów ładunków po rotacji. Tabelę zbuduj według wzoru tabeli analizy czynnikowej w APA.
Szerzej o wyborze rotacji i całej procedurze EFA piszemy w poradniku Analiza czynnikowa EFA i CFA.
Przykład w R
Kod generuje dane, wyodrębnia dwa czynniki metodą osi głównych bez rotacji, wykonuje rotację varimax() z normalizacją Kaisera, pokazuje macierz rotacji i kąt obrotu, liczy kryterium varimax przed i po rotacji oraz dla kątów 0–90°, sprawdza niezmienność wspólności i porównuje wynik z psych::fa(rotate = "varimax").
Rotacja varimax krok po kroku
R
# R173 – Rotacja VARIMAX krok po kroku
# Dane symulowane: 8 pozycji krótkiego kwestionariusza osobowości –
# 4 pozycje ekstrawersji (eks), 4 pozycje sumienności (sum); czynniki słabo skorelowane (r = .20); N = 300, odpowiedzi 1–5
suppressPackageStartupMessages({library(MASS); library(psych); library(GPArotation)})
set.seed(173)
L <- matrix(0, 8, 2)
L[1:4, 1] <- c(.75, .70, .65, .55)
L[5:8, 2] <- c(.70, .65, .60, .55)
Phi <- matrix(c(1, .20, .20, 1), 2)
Sigma <- L %*% Phi %*% t(L); diag(Sigma) <- 1
z <- mvrnorm(300, rep(0, 8), 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("eks", 1:4), paste0("sum", 1:4))
# Ekstrakcja: metoda osi głównych, 2 czynniki, bez rotacji
f0 <- fa(dane, nfactors = 2, fm = "pa", rotate = "none")
A <- unclass(f0$loadings)
round(A, 2)
# Rotacja varimax z normalizacją Kaisera (domyślnie w R i SPSS)
v <- varimax(A, normalize = TRUE)
B <- unclass(v$loadings)
round(B, 2)
round(v$rotmat, 3) # macierz rotacji T (ortogonalna)
round(t(v$rotmat) %*% v$rotmat, 3) # T'T = I
kat <- acos(abs(v$rotmat[1, 1])) * 180 / pi # kąt obrotu osi w stopniach
round(kat, 1)
# Kryterium varimax: suma wariancji kwadratów (znormalizowanych) ładunków w kolumnach
kryt <- function(M) { h <- sqrt(rowSums(M^2)); Q <- (M / h)^2; sum(apply(Q, 2, function(q) mean(q^2) - mean(q)^2)) }
round(c(przed = kryt(A), po = kryt(B)), 4)
# Kryterium dla innych kątów obrotu: maksimum przy kącie varimax
kat_siatka <- seq(0, 90, by = 1)
Vk <- sapply(kat_siatka, function(a) { r <- a * pi / 180; Tm <- matrix(c(cos(r), -sin(r), sin(r), cos(r)), 2); kryt(A %*% Tm) })
kat_siatka[which.max(Vk)]
# Co się nie zmienia, a co się zmienia
round(cbind(h2_przed = rowSums(A^2), h2_po = rowSums(B^2)), 3)
round(rbind(SS_przed = colSums(A^2), SS_po = colSums(B^2)), 3)
round(c(suma_przed = sum(A^2), suma_po = sum(B^2)), 3)
round(100 * sum(B^2) / ncol(dane), 1) # % wariancji pozycji wyjaśniany przez oba czynniki
# Ta sama rotacja w psych::fa (wynik do raportu)
f1 <- fa(dane, nfactors = 2, fm = "pa", rotate = "varimax")
print(f1$loadings, cutoff = 0, digits = 2)
# Sprawdzenie, czy założenie niezależności czynników jest rozsądne: korelacja czynników po oblimin
round(fa(dane, nfactors = 2, fm = "pa", rotate = "oblimin")$Phi[1, 2], 2)Wynik w R
PA1 PA2
eks1 0.55 -0.35
eks2 0.52 -0.44
eks3 0.52 -0.34
eks4 0.50 -0.34
sum1 0.55 0.56
sum2 0.48 0.38
sum3 0.41 0.38
sum4 0.42 0.31
PA1 PA2
eks1 0.64 0.11
eks2 0.68 0.02
eks3 0.62 0.09
eks4 0.60 0.08
sum1 0.04 0.78
sum2 0.10 0.60
sum3 0.05 0.56
sum4 0.12 0.51
[,1] [,2]
[1,] 0.748 0.663
[2,] -0.663 0.748
[,1] [,2]
[1,] 1 0
[2,] 0 1
[1] 41.6
przed po
0.0114 0.4633
[1] 42
h2_przed h2_po
eks1 0.426 0.426
eks2 0.466 0.466
eks3 0.387 0.387
eks4 0.372 0.372
sum1 0.608 0.608
sum2 0.371 0.371
sum3 0.316 0.316
sum4 0.274 0.274
PA1 PA2
SS_przed 1.976 1.244
SS_po 1.654 1.566
suma_przed suma_po
3.22 3.22
[1] 40.2
Loadings:
PA1 PA2
eks1 0.64 0.11
eks2 0.68 0.02
eks3 0.62 0.09
eks4 0.60 0.08
sum1 0.04 0.78
sum2 0.10 0.60
sum3 0.05 0.56
sum4 0.12 0.51
PA1 PA2
SS loadings 1.65 1.57
Proportion Var 0.21 0.20
Cumulative Var 0.21 0.40
[1] 0.2Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcja varimax() z pakietu stats); ekstrakcję wykonano pakietem psych, rotację oblimin – z GPArotation, dane wygenerowano pakietem MASS, rysunek przygotowano w ggplot2 i patchwork.
- 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
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots (R package version 1.3.2) [Computer software]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze błędy
- Varimax „bo tak jest domyślnie” – w wielu programach to pierwsza rotacja na liście; wybór rotacji ortogonalnej wymaga uzasadnienia.
- Varimax przy wyraźnie skorelowanych czynnikach – ładunki krzyżowe rosną, a obraz struktury staje się mniej czytelny niż po rotacji ukośnej.
- Raportowanie wariancji sprzed rotacji jako wariancji czynników – po rotacji podział jest inny (tu 1.98 i 1.24 przed, 1.65 i 1.57 po).
- Przekonanie, że rotacja poprawia dopasowanie – nie zmienia wspólności ani odtworzonych korelacji, tylko układ osi.
- Interpretowanie numeru i znaku czynnika – kolejność kolumn i kierunek osi po rotacji są umowne; nazwij czynniki po treści pozycji.
- Rotowanie rozwiązania jednoczynnikowego – przy jednym czynniku nie ma czego obracać; program zwykle zgłasza ostrzeżenie.
Najczęstsze pytania
Co robi rotacja varimax z ładunkami?
Obraca osie czynników tak, aby każda pozycja miała wysoki ładunek na jednym czynniku i niskie na pozostałych. W przykładzie przed rotacją wszystkie pozycje miały ładunki .41–.55 na pierwszym czynniku, a po obrocie o 41.6° ekstrawersja i sumienność rozdzieliły się na osobne czynniki z ładunkami krzyżowymi do .12.
Czym jest normalizacja Kaisera w rotacji varimax?
To podzielenie ładunków każdej pozycji przez pierwiastek z jej wspólności przed rotacją i przywrócenie skali po niej. Dzięki temu pozycje o niskiej wspólności mają w kryterium taką samą wagę jak pozycje silne. Jest domyślna w R i SPSS.
Varimax czy oblimin – co wybrać?
Jeśli czynniki mogą być skorelowane, a w psychologii prawie zawsze mogą, zacznij od rotacji ukośnej, np. oblimin, i sprawdź korelacje czynników. Gdy są bliskie zera, varimax da praktycznie ten sam obraz i prostszą interpretację. Gdy wynoszą .30 lub więcej, zostań przy rotacji ukośnej.
Czy rotacja varimax zmienia procent wyjaśnionej wariancji?
Łączny procent wariancji wyjaśnianej przez wszystkie czynniki nie zmienia się, bo wspólności pozycji pozostają takie same. Zmienia się podział między czynniki: w przykładzie sumy kwadratów ładunków wynosiły 1.98 i 1.24 przed rotacją oraz 1.65 i 1.57 po niej.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza czynnikowa EFA i CFA: jak dobrać metodę i uniknąć błędów
EFA i CFA w praktyce: liczba czynników, metoda ekstrakcji, rotacja, ładunki, walidacja oraz najczęstsze błędy w analizie czynnikowej.
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
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}}