在多变量信用风险判别模型中，常用的统计方法和模型包括：
Logistic回归模型：Logistic回归是一种常用的二分类模型，可以用于预测个体的违约概率。在信用风险评估中，可以通过Logistic回归模型来判断个体是否会发生违约。决策树模型：决策树模型是一种直观且易于理解的模型，可以根据不同的特征值将个体划分为不同的类别，从而进行风险判断。支持向量机（SVM）：SVM是一种二分类模型，通过寻找最大间隔超平面来划分不同类别的样本。在信用风险评估中，SVM可以用来寻找最佳的判别超平面，从而进行风险判断。人工神经网络（ANN）：ANN是一种模仿人脑神经网络结构的模型，可以用于处理复杂的非线性关系。在信用风险评估中，ANN可以用来建立复杂的风险判别模型。集成学习算法：集成学习算法（如随机森林、梯度提升树等）可以将多个基本模型组合起来，通过投票或加权平均的方式得到最终的预测结果，提高模型的准确性和稳定性。这些方法和模型可以根据实际情况选择合适的组合，以提高信用风险判别模型的准确性和可靠性。