Những phân tích và nhận xét về các mô hình đo lường khả năng trả nợ của KHDN cho thấy không có mô hình nào tỏ ra toàn năng mà mỗi mô hình có thể áp dụng thích hợp cho một số nội dung đánh giá nhất định. Vì vậy, để tận dụng những
ưu điểm và hạn chế nhược điểm của mỗi mô hình, ngân hàng có thể áp dụng mô hình kết hợp.
đánh giá và với mỗi nội dung cần đánh giá chỉ áp dụng những mô hình đánh giá phù hợp với tiêu thức đó. Các mô hình thường được kết hợp với một trong các dạng mô hình khác. Phương pháp kết hợp này thể hiện có nhiều lợi thế vì bổ sung cho nhau.
Ví dụ như mô hình thống kê và quan hệ nhân quả chứng tỏ sức mạnh đặc biệt trong đánh giá được dữ liệu định lượng, và đồng thời hầu hết có thể xử lý hầu hết dữ
liệu định tính mà không cần nỗ lực bổ sung thêm mô hình khác, sự kết hợp của các loại mô hình có thể được thường xuyên gặp phải trong thực tế. Tuy nhiên, các mô hình thống kê và mô hình nhân quả có lợi thế phân loại cao hơn so với các mô hình chuẩn đoán; nhưng mô hình không sử dụng kiến thức của các chuyên gia như mô hình chuẩn đoán thì những thông tin quan trọng về KHDN không trả nợ sẽ bị mất trong những trường hợp cá biệt, đặc biệt với những mẫu dữ liệu nhỏ. Hơn nữa, không phải tất cả các mô hình thống kê có khả năng thực hiện với dữ liệu định tính một cách trực tiếp như mô hình phân tích phân biệt, hoặc mô hình thống kê đòi hỏi một số lượng lớn dữ liệu để tìm một hàm đúng như mô hình Logit và Probit.
Mô hình chuẩn đoán đòi hỏi phải có một số lượng lớn các chuyên gia trong quá trình đánh giá hơn trong trường hợp đánh giá tín dụng tựđộng khi sử dụng các mô hình thống kê và lý thuyết. Đểđạt được một bức tranh đầy đủ về khả năng trả nợ
của KHDN và giảm thiểu sai sót trong mô hình chuẩn đoán, sẽ rất thích hợp khi kết hợp với mô hình thống kê để kiểm định lại các giả thuyết trong mô hình chuẩn đoán.