Un modelo oculto de Markov (HMM) es una herramienta útil para modelar fenómenos heterogéneos dependientes. Puede utilizarse para encontrar factores que afectan eventos del mundo real, incluso cuando esos factores no pueden ser observados directamente. Los HMM difieren de los métodos tradicionales al utilizar variables de estado y distribuciones de mezcla para modelar los estados ocultos. Esto permite a los HMM encontrar relaciones entre variables incluso cuando las variables no pueden ser observadas directamente. Los HMM pueden ser extendidos, permitiendo que las probabilidades de transición dependan de covariables. Esto hace que los HMM sean más flexibles y poderosos, ya que pueden ser utilizados para modelar una amplia gama de datos secuenciales. Modelar covariables en un modelo oculto de Markov es particularmente difícil cuando la dimensión de la variable de estado es grande. Para evitar estas dificultades, se logran propiedades markovianas implantando las variables de estado anteriores en el modelo de regresión logística. Aplicamos el método propuesto para encontrar los factores que afectan el estado oculto del crecimiento de hongos matsutake, en el cual es difícil encontrar covariables que afecten directamente el crecimiento de hongos matsutake en Corea. Creemos que este método puede utilizarse para identificar factores que son difíciles de encontrar utilizando métodos tradicionales.