Reconocer la interrelación entre variables se vuelve crítico en programas de cría genética, donde el objetivo suele ser optimizar la selección para múltiples rasgos. Los modelos convencionales de múltiples rasgos enfrentan desafíos como problemas de convergencia y no logran tener en cuenta las relaciones de causa y efecto. Para abordar estos desafíos, realizamos un análisis exhaustivo que involucra análisis factorial confirmatorio (CFA), redes bayesianas (BN), modelado de ecuaciones estructurales (SEM) y selección a nivel del genoma (GWS) utilizando datos de 195 plantas de café arábica. Estas plantas fueron genotipadas con 21,211 marcadores de polimorfismos de un solo nucleótido como parte del programa de cría en UFV/EPAMIG/EMBRAPA. Los rasgos incluyeron vigor vegetativo (VV), diámetro del dosel (CD), número de nodos vegetativos (NVN), número de nodos reproductivos (NRN), longitud de la hoja (LL) y rendimiento (Y). El CFA estableció las siguientes variables latentes: vigor latente (VL) explicando VV y CD; nodos latentes (NL) explicando NVN y NRN; longitud de la hoja latente (LLL) explicando LL; y rendimiento latente (YL) explicando Y. Estos se integraron en el modelo de BN, revelando las siguientes interrelaciones clave: LLL VL, LLL NL, LLL YL, VL NL y NL YL. SEM estimó coeficientes estructurales, resaltando la importancia biológica de las conexiones VL NL y NL YL. Las predicciones genómicas basadas en variables observadas y latentes mostraron que usar VL para predecir los rasgos NVN y NRN resultó en ganancias similares a usar NL. Predecir ganancias en Y usando NL aumentó las ganancias de selección en un 66.35% en comparación con YL. El enfoque SEM-GWS proporcionó información sobre estrategias de selección para rasgos vinculados con el vigor vegetativo, nodos, longitud de la hoja y rendimiento del café, ofreciendo orientación valiosa para avanzar en los programas de cría de café arábica.