根据经验，财务比率在一定范围内波动属正常现象，并不引起危机概率的显著增加。只有当财务比率值超出某一临界值，比率值的恶化才可能导致财务危机概率的显著增加。如资产负债率从50%增长到60%，危机概率通常不会显著增加，即便增加，其速度也应比较慢，但当这一比率超过70%，并不可逆转地继续增长时，发生财务危机的概率可能就会大幅提高。因而，财务比率值与发生财务危机的概率之间可能是非线性的，并且，对企业财务危机的预测属于两分类定性分析，要么是正常，要么就是可能发生危机。为服务于对定性因变量的多元非线性分析，根据实际研究的需要而不断对多元线性回归进行改造和发展，导致了一种新的分析方法—Logistic回归的产生。

Logistic函数又称增长函数，由美国学者于1920年在研究果蝇的繁殖中重新发现，并开始在人口估计和预测中推广应用。随着计算机硬件与软件的快速发展，Logistic回归已被广泛应用于经济研究中。Logistic回归模型为非线性回归模型，其反应函数呈现倒S形或是S形，反应函数之概率值落于0到1之间，因而易于对结果做解释。在企业财务危机判定与预测中，Logistic模型的一般形式如下：

ln（pi/1−pi）=a0+a1x1i+a2x2i+…+akxki

其中，xki代表第i家企业、第k个财务比率，pi代表根据Logistic模型所估计出来的第i家企业可能发生财务危机的概率。

Logistic回归方程求解参数是采用最大似然估计方法，因此其回归方程的整体检验通过似然函数值进行。所谓似然函数值表达的是一种概率，即在假设拟合模型为真实情况时能够观察到这一特定样本数据的概率，因而，这一函数值处于（0，1）之间。

Logistic模型的判别规则是：如果p值大于0.5，表明企业破产的概率比较大，可以判定企业为破产类型；如果p值小于0.5，表明企业财务正常的概率比较大，可以判定企业为财务正常类型。

Logistic模型的优点，主要在于不要求多元正态分布和等协方差作为前提假设。其缺点是样本的数量不宜少于200个，否则存在参数估计的有偏性；当样本点存在完全分离时，模型参数的最大似然估计可能不存在，故Logistic模型的有效性存在问题；Logistic模型对中间区域的判别敏感性较强，导致判别结果不稳定。