Các mô hình dự báo kiệt quệ tài chính đã được từng bước cải thiện về khả năng dự báo cũng như độ chính xác trong dự báo qua từng thời kỳ. Beaver (1960) là người đặt nền móng cho dự báo kiệt quệ thông qua việc phân tích các chỉ số tài chính đơn
lẻ từ đó phân loại công ty kiệt quệ và công ty không kiệt quệ. Altman (1968) cho rằng mô hình dự báo kiệt quệ tài chính áp dụng kỹ thuật phân tích các chỉ số tài chính đơn lẻ thì quá đơn giản để ghi nhận tính phức tạp của sự phá sản bởi vì không thể phân loại một công ty chỉ dựa vào một chỉ số tài chính đơn lẻ ở một thời điểm. Hơn nữa, phương pháp này dễ đưa ra các kết luận mâu thuẫn và nhầm lẫn bởi vì các kết quả phân loại theo các tỷ số khác nhau là khác nhau đối với cùng một công ty. Vì vậy, Altman đã sử dụng kỹ thuật phân tích đa biệt số (MDA – Multiple Discriminant Analysis) nhằm đưa ra những dự báo chính xác hơn. Tuy nhiên, phương pháp MDA cũng hàm chứa trong nó những hạn chế nhất định: tỷ số Z được suy ra từ một hàm tuyến tính, mà khi tỷ số này cao hơn hay thấp hơn một điểm giới hạn nào đó thì công ty được phân loại là không phá sản hay phá sản. Tuy nhiên, trong thực tế thì một công ty có thể gặp phải vấn đề tài chính ngay cả khi các tỷ số là rất cao và rất thấp, hay nói cách khác các tỷ số này tuân theo một hàm phi tuyến. Nhằm mục đích khắc phục những hạn chế của phương pháp MDA, mô hình thống kê xác suất có điều kiện (Logistic/Probit) đã được sử dụng thay thế phương pháp MDA. Ohlson (1980); Shumway (2001); Altman và Sabato (2007); Campbell, Hilscher và Szilagyi (2008); Tinoco và Wilson (2013) đều áp dụng các mô hình thống kê xác suất có điều kiện (Logistic/ Probit). Các mô hình xác suất có điều kiện cho phép ước lượng xác suất kiệt quệ tài chính của một công ty là biến phụ thuộc nhị phân. Phần lớn các bài nghiên cứu cho thấy ước lượng với biến nhị phân bằng mô hình xác suất có điều kiện sẽ đạt được mức độ chính xác cao hơn trong dự báo kiệt quệ tài chính.
Ngày nay với sự phát triển khoa học công nghệ và các nền nảng về trí thông minh nhân tạo, mô hình mạng thần kinh nhân tạo (Artificial Neural networks - ANN) bắt đầu áp dụng vào nghiên cứu dự báo kiệt quệ tài chính từ những năm đầu thập niên 90. Mô hình ANN là một công cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như là một mô hình hóa thống kê hữu ích. Tinoco và Wilson (2013) cũng sử dụng mô hình ANN để so sánh với kết quả dự báo theo mô hình Logistic. Mô hình ANN có lợi thế là khắc phục các giả định trong các mô hình truyền thống,
phương pháp này có thể phát hiện các mối quan hệ phi tuyến tính loại bỏ được các thông tin nhiễu thường xảy ra quá trình kiệt quệ và phá sản của công ty. Tuy nhiên, các mô hình ANN thường phức tạp và trong khi một mô hình Logistic thì đơn giản hơn. Vì vậy, trong các nghiên cứu về dự báo kiệt quệ tài chính và phá sản, mô hình hồi quy Logistic vẫn được sử dụng phổ biến hơn.