保留正确的潜类别个数是LCA分析最关键的一步。高估和低估潜类别个数都将影响结果推论的准确度。主要通过对比以下指标来选择最优模型，但在实际应用中，不同模型拟合指标选取的最优模型可能存在差异，需综合考虑各拟合指标。
似然比卡方（G2）。通过比较期望值与实际值的差异来判断模型拟合优劣，因而其值越小表示模型拟合越好。当样本量较大时，G2服从卡方分布，可以利用卡方分布进行假设检验。
信息评价指标AIC、BIC和aBIC。蒙特卡罗模拟研究显示BIC指标优于其他信息评价指标（Nylund，Asparouhov＆Muthén，2007）。当样本量超过千人或模型的参数较少时，可选取BIC指标。如果以上指标单调递减，可采用陡坡图来寻找拐点，若在某处存在明显的拐点，则选择相应的类别数。
Entropy值。Entropy值取值范围0～1，其值越接近1，模型分类越准确。Entropy值大于0.8，表明分类准确率超过90%。Entropy值与分类准确度高相关，其值大小受潜类别数、样本量和外显变量数影响。(www.xing528.com)
似然比检验（BLRT）。通过基于Bootstrap的似然比检验（BLRT），使用Bootstrap重复抽样来比较两个嵌套模型间的对数似然比差异分布，如果p＜0.05，则表明k＋1个类别的模型（备择假设）显著优于k个类别的模型（零假设），应选择k＋1个类别的模型。有研究显示BLRT是潜在类别的分类最有效的指标（Nylund et al.，2007）。
各潜类别比例大小。若某一项潜类别占比较低（如低于1%或25个样本，也有研究显示低于5%或50个样本），则该潜类别的意义不大。
模型的实际意义和简洁性。具体来说，即使各项指标都提示保留m个类别，但其中一个潜类别的个体数目有限或者不易解释时，应考虑m－1个类别的模型。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
