Dobór liczby składowych Liczba składowych zwykle nie jest znana z góry i stanowi część procesu modelowania. Zbyt mała liczba składowych prowadzi do niedopasowania modelu, natomiast zbyt duża może powodować przeuczenie, trudności interpretacyjne oraz niestabilność estymacji.

Do wyboru liczby składowych często stosuje się kryterium informacyjne Akaikego (AIC) oraz bayesowskie kryterium informacyjne (BIC). Jeżeli oznacza maksymalną wartość funkcji wiarygodności, liczbę swobodnych parametrów modelu, a liczbę obserwacji, to w typowej konwencji

natomiast

W tej konwencji wybiera się model o najmniejszej wartości kryterium.

Oba kryteria łączą miarę dopasowania modelu z karą za liczbę parametrów. AIC stosuje karę , natomiast BIC karę . Dla większych prób BIC zwykle silniej karze złożoność modelu niż AIC, dlatego często wybiera prostszy model. W praktyce AIC bywa używane, gdy celem jest dobra predykcja lub aproksymacja rozkładu, natomiast BIC częściej stosuje się przy wyborze liczby składowych interpretowanych jako potencjalne nieobserwowane grupy.