多元逻辑回归（Logistic）被引入
财务风险预测研究之后，
财务危机预测即简化为已知一公司具有某些财务特征，而计算其在一段时间内陷入财务危机的概率问题。如果算出的概率大于设定的分割点，则判定该公司将陷入财务风险。由于多元逻辑回归不要求数据的
正态分布，因而其
参数估计也比多元判别分析（MDA）更加稳健。虽然许多研究在运用多元逻辑回归方法时都忽略了
自变量之间的
多重共线性问题，但正如我们在后文所指出的，这一不足并非Logistic分析本身的缺陷。该方法目前在
判别分析研究领域仍然占有主流地位。
多元逻辑回归模型的理论前提相对
判别分析法要宽松得多，且没有关于分布类型、协方差阵等方面的严格假定。不过，在大量运用多元逻辑 回归的研究中往往忽视了另一个相当重要的问题，即模型
自变量之间可能存在的
多重共线性干扰。与其他
多元回归方法一样，Logistic回归模型也对多元
共线性敏感。当变量之间的相关程度提高时，系数估计的
标准误将会急剧增加；同时，系数对样本和模型设置都非常敏感，模型设置的微小变化、在样本总体中加入或删除案例等变动，都会导致系数估计的较大变化。由于
财务比率均由具有相互
钩稽关系的
财务报表计算得出，同类指标之间的相关程度是非常大的，不加处理地让这些高度相关的变量直接进入模型必然会导致严重的
多重共线性干扰。令人遗憾的是，国内外大多数相关研究都没有意识到这一问题，由此得出的判别模型，其稳定性和准确性显然不容乐观。