El análisis de clases latentes (LCA) se ha aplicado en muchas áreas de investigación para desentrañar la heterogeneidad de una población. A pesar de su popularidad, su método de estimación está limitado al método de estimación de máxima verosimilitud (MLE), que requiere muestras grandes para cumplir tanto con la suposición de normalidad multivariante como con la suposición de independencia local. Aunque se han propuesto muchas sugerencias sobre tamaños de muestra adecuados, los investigadores continúan aplicando LCA con muestras relativamente más pequeñas. Cuando intervienen covariables, el problema de estimación se presenta con mayor frecuencia. En este estudio, sugerimos un enfoque de estimación diferente para LCA con covariables, también conocido como regresión de clases latentes (LCR), utilizando un método de agrupamiento difuso y análisis de componentes estructurados generalizados (GSCA). Este nuevo enfoque está libre de la suposición de distribución y es estable en la estimación de parámetros. Paralelamente al enfoque de tres pasos utilizado en el LCA basado en MLE, extendemos un algoritmo de GSCA de agrupamiento difuso en LCR. Este algoritmo propuesto se ha demostrado con datos empíricos con covariables tanto categóricas como continuas. Dado que el algoritmo propuesto puede utilizarse para una muestra relativamente pequeña en LCR sin requerir una suposición de normalidad multivariante, el nuevo algoritmo es más aplicable a las ciencias sociales, del comportamiento y de la salud.