做PCA就像给一叠行情指标“精简编制”：保留太多，噪声也跟着留下；砍得太狠，又可能丢掉真正有用的结构。主成分分析（PCA）会把彼此相关的变量重组为少数互不相关的方向，但究竟留几维，常要靠碎石图——按解释数据变化的能力排列主成分后，目测曲线的转折点。
新上架CRAN的R包 Entropic.Scree 给了另一种答案。它用信息论量观察变量共享的信息结构，据作者介绍，可识别彼此独立的变量簇，并估计秩——数据中线性独立方向的数量——以及其他数据拓扑指标。对量化研究来说，这可直接用于检查一批风险因子是否重复，也能为协方差建模或降维提供参考。作者还称，自己已用这些结果调整一个高维、含误差预测平台的瓶颈层大小；不过现有供稿没有披露基准对比、估计精度或适用条件，因此更适合先作为可试用的新工具，而不是已经验证的通用替代方案。