我假设这个问题的一部分是除了累积百分比方差（CPV）和类似的碎石图方法之外是否存在其他指标。答案是，是的，很多。

Valle 1999 是一篇关于某些选项的好论文：

• 主成分数的选择：重构误差准则的方差与其他方法的比较

  Sergio Valle, Weihua Li, and S. Joe Qin, 工业与工程化学研究 1999 38 (11), 4389-4401

它涵盖了 CPV，还涵盖了并行分析、交叉验证、重构误差方差 (VRE)、基于信息标准的方法等。在比较和使用 VRE 之后，您可能会遵循论文提出的建议，但是基于 PRESS 的交叉验证在我的经验中也很有效，并且他们也得到了很好的结果。根据我的经验，CPV 既方便又简单，而且做得不错，但这两种方法通常更好。

如果您对数据有更多了解，还有其他方法可以评估您的 PCA 模型的好坏。一种方法是将估计的 PCA 负载与真实负载进行比较（如果您知道它们（在模拟中会这样做））。这可以通过计算估计负载与真实负载的偏差来完成。你的偏见越大，你的模型就越差。关于如何做到这一点，你可以查看这篇论文，他们使用这种方法来比较方法。但是，它在实际数据情况下不可用，因为您不知道真正的 PCA 负载。这说明您删除了多少组件，而不是说明由于异常观察的影响而导致的模型偏差，但它仍然可以作为模型质量指标。

还有一些基于信息论标准的措施，如

Rissanen 的 MDL（和变体）