{"id":58967,"date":"2025-05-08T18:20:03","date_gmt":"2025-05-08T16:20:03","guid":{"rendered":"https:\/\/www.carolinacampalans.com\/glossary\/rotacion-varimax\/"},"modified":"2025-05-08T18:20:03","modified_gmt":"2025-05-08T16:20:03","slug":"rotacion-varimax","status":"publish","type":"glosario","link":"https:\/\/www.carolinacampalans.com\/?glosario=rotacion-varimax","title":{"rendered":"rotaci\u00f3n Varimax"},"content":{"rendered":"
<\/div>

Una t\u00e9cnica de rotaci\u00f3n ortogonal<\/span> que se utiliza en an\u00e1lisis factorial y PCA para simplificar la interpretaci\u00f3n de los factores.<\/p>\n

Fue desarrollada por Henry F. Kaiser en 1958 y es la t\u00e9cnica de rotaci\u00f3n m\u00e1s com\u00fanmente utilizada en este tipo de an\u00e1lisis estad\u00edstico.<\/p>\n<\/div>

\n<\/div><\/div><\/div><\/div><\/div>

Objetivos<\/h2><\/div>

El objetivo de Varimax es maximizar la varianza de los cuadrados de las cargas factoriales<\/span> dentro de cada factor, lo que hace que cada variable est\u00e9 fuertemente asociada con un solo factor y d\u00e9bilmente asociada con los otros.<\/p>\n

Esto resulta en una estructura m\u00e1s simple y f\u00e1cil de interpretar.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Caracter\u00edsticas<\/h2><\/div>
    \n
  • ortogonalidad<\/strong> (mantiene los factores independientes entre s\u00ed; es decir, no correlacionados)<\/li>\n
  • maximizaci\u00f3n de varianza<\/strong> (aumenta las cargas altas y reduce las bajas para cada factor, creando una estructura m\u00e1s clara)<\/li>\n
  • facilita la interpretaci\u00f3n<\/strong> (simplifica la matriz de cargas factoriales, permitiendo identificar grupos de variables que miden constructos similares)<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>

    Ventajas y desventajas<\/h2><\/div>

    <\/span>Ventajas<\/span><\/h3>\n
      \n
    • Facilita la interpretaci\u00f3n de los factores.<\/li>\n
    • Mantiene la independencia entre los factores, lo que es \u00fatil para an\u00e1lisis posteriores, como regresi\u00f3n o modelos estructurales.<\/li>\n
    • Muy eficiente computacionalmente, lo que lo hace popular en aplicaciones pr\u00e1cticas.<\/li>\n<\/ul>\n<\/div>

      <\/span>Desventajas<\/span><\/h3>\n
        \n
      • Al ser ortogonal, asume que los factores son completamente independientes, lo que puede ser una limitaci\u00f3n si se espera alguna correlaci\u00f3n entre los factores.<\/li>\n
      • No siempre es adecuado para datos con relaciones complejas y correlaciones entre factores.<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>\n
        <\/div>","protected":false},"excerpt":{"rendered":"","protected":false},"template":"","meta":{"inline_featured_image":false,"_vp_format_video_url":"","_vp_image_focal_point":[]},"glosario_categoria":[7025],"glosario_tag":[7019,7104,7099,7100],"class_list":["post-58967","glosario","type-glosario","status-publish","hentry","glosario_categoria-investigacion-analisis","glosario_tag-analisis-visualizacion-datos","glosario_tag-ciencia-de-datos","glosario_tag-estadistica","glosario_tag-metodos-cuantitativos"],"_links":{"self":[{"href":"https:\/\/www.carolinacampalans.com\/index.php?rest_route=\/wp\/v2\/glosario\/58967","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.carolinacampalans.com\/index.php?rest_route=\/wp\/v2\/glosario"}],"about":[{"href":"https:\/\/www.carolinacampalans.com\/index.php?rest_route=\/wp\/v2\/types\/glosario"}],"wp:attachment":[{"href":"https:\/\/www.carolinacampalans.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=58967"}],"wp:term":[{"taxonomy":"glosario_categoria","embeddable":true,"href":"https:\/\/www.carolinacampalans.com\/index.php?rest_route=%2Fwp%2Fv2%2Fglosario_categoria&post=58967"},{"taxonomy":"glosario_tag","embeddable":true,"href":"https:\/\/www.carolinacampalans.com\/index.php?rest_route=%2Fwp%2Fv2%2Fglosario_tag&post=58967"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}