Una elección de usar el cinturón de seguridad depende en gran medida de la psicología de los ocupantes de los vehículos, y por lo tanto se espera que esas decisiones estén caracterizadas por la heterogeneidad de preferencia. A pesar de la importancia del uso del cinturón de seguridad en la seguridad de las carreteras, la mayoría de los estudios existentes ignoraron la heterogeneidad en los datos y utilizaron un método estadístico o descriptivo muy estándar para identificar los factores de uso del cinturón de seguridad. La aplicación del método estadístico adecuado es de crucial importancia para desbloquear los factores subyacentes de la elección realizada por los ocupantes de los vehículos. Por lo tanto, este estudio se llevó a cabo para identificar los factores contribuyentes a la elección de uso del cinturón de seguridad de los pasajeros del asiento delantero, teniendo en cuenta la heterogeneidad de preferencia de elección. El modelo de clases latentes se ha propuesto para reemplazar el modelo logit mixto al reemplazar una distribución continua por una discreta. Sin embargo, una de las limitaciones del modelo de clases latentes es que se asume la homogeneidad dentro de una misma clase. Una extensión adicional es relajar la suposición de homogeneidad permitiendo que algunos parámetros varíen dentro del mismo grupo. El modelo aún podría extenderse para superponer algunos atributos considerando la no atención a atributos (ANA) y la agregación de atributos comunes métricos (ACMA). Por lo tanto, este estudio se llevó a cabo para hacer una comparación de la bondad de ajuste de los modelos discutidos. Además de una comparación basada en la bondad de ajuste, la proporción de individuos en cada clase se utilizó para ver cómo cambia según las diversas especificaciones del modelo. En resumen, los resultados indicaron que agregar otra capa para tener en cuenta la heterogeneidad dentro de la misma clase del modelo de clases latentes (LC), y tener en cuenta ANA y ACMA, mejorarían el ajuste del modelo. Se ha discutido en el contenido del manuscrito que tener en cuenta ANA, ACMA y una capa adicional de heterogeneidad no solo mejora la bondad de ajuste del modelo, sino que también impacta en gran medida la distribución de la clase de los modelos.