目前预警方法主要有3种，即指数预警、统计预警和模型预警。
1. 指数预警
指数预警方法通过制定综合指数来评价监测对象所处的状态，目前主要应用于宏观经济领域，用来预测经济周期的转折点和分析经济的波动幅度，如景气指数法。
2. 统计预警
统计预警方法主要通过统计方法发现监测对象的波动规律，在企业财务危机预警中应用广泛。它的使用变量少，数据收集容易，操作比较简便，如多元判别分析法、Logistic回归分析等。
3. 模型预警
模型预警方法通过建立数学模型来评价监测对象所处的状态，在监测点比较多、比较复杂时应用广泛。该类模型分为线性和非线性模型，主要经济变量之间有明确的数量对应关系时用线性模型预警，非线性预警模型则对处理复杂的非线性系统具有较大的优势。但如何就监测对象的复杂表现状况进行有效预警评价是目前预警方法领域中的难点。
下面介绍几种主要的预警方法。
(1) Logistic回归分析法。
Logistic回归分析法是一种统计方法，被广泛运用于预警领域。具体方法是通过选择样本和定义变量进行描述性统计及简单指标检验，然后根据检验结果进行变量间的相关性分析，剔除高度相关的变量，在此基础上进行Logistic回归，然后选择最优概率阈值 (分割点)，阈值就是预警的临界点，对所得到的预测方法和效果进行检验，可以得到最终的可以信赖的模型分析。
(2) 多变量判别分析模型——分数模型。
多变量判别分析是对研究对象所属类别进行判别的一种统计分析方法，分数模型最初由Altman提出，它的判别函数的一般形式是:Z=a1x1+a2x2++anxn。其中，Z为判别分 (判别值)，x1，x2，…， xn是反映研究对象的特征变量，a1，a2，…，an为各变量的判别系数。进行判别分析时必须已知观测对象的分类和若干表明观测对象特征的变量值。判别分析就是要从中筛选出能提供较多信息的变量并建立判别函数，通过判别函数来确定预警临界值，进行预测。
(3) 基于人工神经网络 (ANN) 的预警评价方法。
ANN是在对大脑生理研究的基础上，用模拟生物神经元的某些基本功能组件 (即人工神经元)，按各种不同的联结方式组织起来的一个网络，其目的在于模拟大脑的某些机理与机制。人工神经网络模型主要是基于BP的神经网络模型。BP人工神经网络是Rumelhart、Mc-Clland等研究并设计的，基于误差反向传播算法的一种多层前馈神经网络。由于BP神经网络的神经元采用的传递函数通常是Sigmoid型可微函数，可以实现输入与输出间的任意非线性映射，在模式识别、风险评价、自适应控制等方面有着最为广泛的应用，目前广泛应用于预警指标的评价。在预警指标的历史数据比较少，且非线性变化的情况下，可用人工神经网络方法对预警指标进行评价。
(4) 智能预警支持系统 (IEWSS)。
智能预警支持系统 (IEWSS) 是决策支持系统的一个重要分支。随着神经网络、案例推理、模糊推理、规则推理等技术逐渐进入预警领域，智能化预警支持系统的知识表示和推理有了新的理论和方法。其中，案例推理技术更为广泛地应用于预警领域。案例推理首先对预警对象进行特征描述，根据这些特征，从案例库中检索相似案例，比较旧案例与新问题之间的异同，对旧案例进行调整，通过预警信息与案例库所存信息比较来达到预警的目的。
(5) 失败树 (FCTA) 预警法。
预警实质是一种预先防范失败的方法，所以FCTA预警法在预警领域也得到广泛应用。FCTA预警法是对已经发生的失败事件进行分析，此时失败事件的路径、因素和失控条件相对而言是确定的，失败树的结构相对肯定和明晰。通过对大量失败实践的总结，可从管理角度构建图示清楚的失败树。失败树的构建有利于传授失败预防知识。失败学研究涉及多门学科领域，必须借助于各种科学手段，建立失败知识库和进行失败形成机制的仿真分析。
(6) 灰色系统预测分析法。
灰色系统预测分析法是将一组不完备的数据信息用累加生成的方法生成被认为具有较强规律性的序列，然后利用次序列建立微分形式的灰色预测模型，最后通过对微分模型的解做累减生成得到所需的预测值。基于本书拥有的样本量和指标体系数据本身的特点以及灰色系统预测方法所具有的优点 (不需要大量样本、样本不需要有规律性分布、计算工作量小、可用于近期、短期、中长期预测和灰色预测准确度高等)，选用灰色系统预测方法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
