（一）一元判定。1932年Fitzpatrick以19家公司为样本，运用单个财务比率将样本划分为破产和非破产两组进行研究，发现净利率/股东权益和股东权益/负债对财务危机的判别能力最高，自此开创了财务危机预警实证研究的先河。
而后，1966年Beaver对1954～1964年间79家失败企业和对应的79家成功企业的30个财务比率进行了研究，在排资产规模因素的前提下，得出以下财务比率对财务危机的预测是有效的：现金流量 /债务总额，净收益/ 资产总额，债务总额 / 资产总额。
（二）多元线性。为了弥补一元判定模型的缺陷，1968年Altman首先将多元线性判别法引入财务危机预警研究领域，根据行业和资产规模，他选择了33和33作为研究样本，以误判率最小的原则确定了5个变量作为判别变量，其多元线性判定模型为：Z=1.2×1+1.4×2+3.3×3+ 0.6×4+1.0×5，判别变量分别为营运资本/ 总资产，留存收益 / 总资产，息税前收益/ 总资产，股票市值 /债务的账面价值，销售收入 / 总资产。
此后，有许多学者采用类似的方法进行研究，对模型加以改造，只是选取的变量指标或者指标系数不同而已。
（三）多元逻辑。在1980年Ohlson第一个将逻辑回归方法引人财务危机预警领域，他选择了1970～1976年间破产的105家公司和2058组成的配对样本，在破产概率区间上的分布以及两类错误和分割点之间的关系，规模、资本结构、业绩和当前的融资能力进行财务危机的预测准确率达到96.12%。
逻辑回归分析方法使财务预警得到了重大改进，克服了传统判别分析中的许多问题，包括变量属于正态分布的假设以及破产和非破产企业具有同一协方差矩阵的假设。
（四）多元概率。1980年Ohlson采用概率化回归方法进行财务预警研究，他选择1970～1976年间破产的105家公司和2058组成的配对样本，采用极大似然法，通过每个样本个体的破产与非破产的联合概率最大来构造模型。
（五）人工神经。1991年Tam采用人工神经网络模型进行财务预警研究，通过输入层、隐藏层和输出层的人工神经网络的模拟构建模型，具有较好的模式识别能力和容错能力，能够处理资料遗漏和错误，可随时依据新数据资料进行自我学习训练。