Os modelos com respostas distais objetivam avaliar o efeito de variáveis latentes categóricas em uma variável dependente observada que pode ser binária, de contagem ou contínua. Métodos com abordagem frequentista têm sido recentemente propostos na literatura para estimação de efeitos latentes em respostas distais. As estratégias recentes consideram modelagem simultânea da classe latente e o seu efeito na resposta distal através do uso de regra de Bayes a partir dos resultados da análise de classes latentes (ACL) com covariáveis, ou através da incorporação dos erros de mensuração obtidos na ACL diretamente na modelagem com a resposta distal. Alguns dos procedimentos mais usuais para classificar os indivíduos atenuam as estimativas dos parâmetros. Os métodos estatísticos bayesianos incorporam incerteza nas inferências associando distribuições de probabilidades a priori aos parâmetros, que são atualizados durante o procedimento, resultando em distribuições a posteriori. Nesse trabalho estratégias alternativas para estimação de efeitos latentes em respostas distais são propostas usando inferência bayesiana. Além disso, as metodologias propostas avançam na estimação de efeitos de variáveis latentes permitindo o ajuste por covariáveis observadas adicionais via modelos de regressão. Estudos de simulação Monte Carlo foram conduzidos para avaliar propriedades dos métodos propostos em amostras finitas. Ilustração destas metodologias é realizada com análise dos dados do ENADE (Exame Nacional de Desempenho dos Estudantes) de 2016. Os resultados de simulação apontam que o método Bayesiano Simultâneo (BS) leva a uma redução substancial do viés na estimação dos efeitos das classes latentes da resposta distal, além de permitir a inclusão de covariáveis adicionais no modelo.