El modelo de regresión logística binaria (LRM) es práctico en situaciones en las que la variable de respuesta (RV) es dicotómica. El estimador de máxima verosimilitud (MLE) generalmente se considera para estimar los parámetros de LRM. Sin embargo, en presencia de multicolinealidad (MC), el MLE no es la elección correcta debido a su desviación estándar (SD) inflada y errores estándar (SE) de las estimaciones. Para combatir la MC, se prefieren estimadores sesgados comúnmente utilizados, es decir, los estimadores Ridge (RE) y los estimadores Liu (LE). Sin embargo, la mayoría de las veces, el LE tradicional alcanza un valor negativo para su parámetro Liu (LP), lo que se considera una gran desventaja. Por lo tanto, para superar este problema, propusimos un nuevo LE ajustado para el LRM binario. Debido a propósitos de evaluación numérica, se realiza un estudio de simulación de Monte Carlo (MCS) bajo diferentes condiciones donde el sesgo y el error cuadrático medio son los criterios de rendimiento. Los hallazgos mostraron la superioridad de nuestro estimador propuesto en comparación con los otros métodos de estimación debido a la existencia de multicolinealidad alta pero imperfecta, lo que claramente significa que es consistente cuando los regresores son multicolineales. Además, los hallazgos demostraron que siempre que haya MC, el MLE no es la mejor elección. Finalmente, se considera una aplicación real como evidencia de la ventaja del estimador previsto. Los hallazgos de la MCS y la aplicación señalaron que el LE ajustado considerado para el modelo de regresión logística binaria es un método de estimación más eficiente siempre que los regresores sean altamente multicolineales.