La elección de no abrocharse el cinturón de seguridad ha resultado en un alto número de muertes en todo el mundo. Aunque se han realizado extensos estudios para identificar los factores de uso del cinturón de seguridad, la mayoría de esos estudios han ignorado la presencia de heterogeneidad entre los ocupantes de vehículos. No tener en cuenta la heterogeneidad podría resultar en un sesgo en las salidas del modelo. Uno de los enfoques principales para capturar la heterogeneidad aleatoria es el empleo del modelo de clase latente (LC) mediante una distribución discreta. En un modelo LC estándar, la heterogeneidad entre las observaciones se considera mientras se asume la maximización de la utilidad homogénea para las reglas de decisión. Sin embargo, esa noción ignora la heterogeneidad en la regla de decisión entre los conductores individuales. En otras palabras, mientras algunos conductores eligen abrocharse con algunas características, otros podrían ignorar esos factores al tomar una decisión. Esas diferencias podrían ser acomodadas permitiendo que la asignación de clases varíe según varias características socioeconómicas y restringiendo algunas de esas reglas a cero en algunas de las clases. Por lo tanto, en este estudio, además de tener en cuenta la heterogeneidad entre los conductores individuales, consideramos la heterogeneidad en la regla de decisión al variar los parámetros para la asignación de clases. Nuestros resultados mostraron que la asignación de varias observaciones a clases es una función de factores como el tipo de vehículo, la clasificación de la carretera y el registro de la licencia del vehículo. Además, los resultados mostraron que una consideración menor de la regla de decisión heterogénea resultó en una ganancia menor en el ajuste del modelo, así como cambios en la significancia y magnitud de las estimaciones de parámetros. Todo esto a pesar de los desafíos de identificar completamente los atributos exactos para la asignación de clases debido a la inclusión de un alto número de atributos. Los hallazgos de este estudio tienen implicaciones importantes para el uso de un modelo LC para tener en cuenta no solo la heterogeneidad de gustos sino también la heterogeneidad en la regla de decisión para mejorar el ajuste del modelo y ampliar nuestra comprensión sobre las estimaciones de puntos no sesgadas de los parámetros.