关于您的特定问题：

PCA 应该捕获多少方差才有效？

不，没有（据我所知）。我坚信没有可以使用的单一值；捕获的方差百分比没有神奇的阈值。Cangelosi 和 Goriely 的文章：主成分分析中的成分保留以及对 cDNA 微阵列数据的应用给出了一个相当不错的概述，对六种标准经验法则进行了很好的概述，以检测研究中的成分数量。（碎石图，解释的总方差比例，平均特征值规则，对数特征值图等）作为经验法则，我不会强烈依赖它们中的任何一个。

它不依赖于所使用的领域知识和方法吗？

理想情况下，它应该是依赖的，但你需要小心你的措辞和你的意思。

例如：在声学中有 Just Noticeable Difference ( JND ) 的概念。假设您正在分析声学样本，并且特定 PC 的物理尺度变化远低于该 JND 阈值。没有人会争辩说，对于 Acoustics 应用程序，您应该包含那台 PC。您将分析听不见的噪音。包含这台 PC 可能有一些原因，但这些原因需要呈现，而不是相反。它们的概念是否类似于用于 RT-qPCR 分析的 JND？

同样，如果一个组件看起来像 9 阶勒让德多项式，并且您有强有力的证据表明您的样本由单个高斯凸块组成，那么您有充分的理由相信您再次对不相关的变化进行建模。这些正交变化模式显示了什么？例如，在您的情况下，第三台 PC 有什么“错误”？

您说“这三个集群与所讨论的问题非常相关”这一事实并不是一个强有力的论据。您可能会进行简单的数据挖掘（这是一件坏事）。还有其他技术，例如。Isomaps和local -linear embedding也很酷，为什么不使用它们呢？您为什么特别选择 PCA？

你的发现与其他发现的一致性更为重要，特别是如果这些发现被认为是公认的。深入挖掘这一点。尝试查看您的结果是否与其他研究的 PCA 发现一致。

任何人都可以仅根据解释方差的值来判断整个分析的优点吗？

一般来说，不应该这样做。不要认为您的审稿人是混蛋或类似的东西；在没有合理理由的情况下保留 48% 确实是一个很小的比例。