考慮潛變量時需要將其視為連續變量。
潛變量的測量會帶來測量誤差,所以考慮潛變量時都認為是連續變量。有潛變量的調節效應模型通常只考慮如下兩種情形：壹是調節變量是類別變量，自變量是潛變量；二是調節變量和自變量都是潛變量。
當調節變量是類別變量、自變量是連續變量時，做分組回歸分析。但當自變量是類別變量、調節變量是連續變量時，不能做分組回歸，而是將自變量重新編碼成為偽變量(dummy variable),用帶有乘積項的回歸模型，做層次回歸分析。
潛變量的調節效應分析方法
1、當調節變量是類別變量時做分組結構方程分析。這種方法是顯變量情形分組回歸的推廣。常用的結構方程分析軟件（如L ISREL8.3，AMOS4.0，EQS6.0）都有現成的分組（subgroup或multigroup）分析命令。
2、做法是，先將兩組的結構方程回歸系數限制為相等得到壹個X2值和相應的自由度。然後去掉這個限制，重新估計模型，又得到壹個X2值和相應的自由度。前面的X2減去後面的X2得到壹個新的x2，其自由度就是兩個模型的自由度之差。如果2檢驗結果是統計顯著的，則調節效應顯著。
3、當調節變量和自變量都是潛變量時，有許多不同的分析方法。如Algina和Mouldert的中心化乘積指標方法（適用於正態分布情形），Wal和Amemiya的廣義乘積指標（GAP）方法（非正態分布情形也適用）。
這兩種方法都需要用到非線性參數約束（constraint）。使用起來很麻煩且容易出錯。Marsh，Wen和Hau提出的無約束的模型無需參數約束，從而大大簡化了程序，容易為壹般的應用工作者掌握，是目前最新最方便的方法。