Bu üçü sıralama açısından kesin bir cevap vermeyeceğim. Her birine dayalı olarak parametrelerinizin etrafında% 95 CI oluşturun ve bunlar kökten farklıysa, ilk adımınız daha derin kazmak olmalıdır. Verilerinizi dönüştürün (LR değişmez olsa da), olasılığınızı düzenleyin, vs. Bir tutamda muhtemelen LR testi ve ilişkili CI'yi tercih ederim. Bunu kaba bir tartışma izliyor.
LR parametreleştirme seçimi altında değişmezdir (örneğin, T'ye karşı logit (T)). Wald istatistiği (T - T0) / SE (T) 'nin normalliğini varsayar. Bu başarısız olursa, CI'niz kötüdür. LR ile ilgili güzel olan şey, normalliği tatmin etmek için bir dönüşüm f (T) bulmanıza gerek olmamasıdır. T'ye dayalı% 95 CI aynı olacaktır. Ayrıca, olasılığınız ikinci dereceden değilse, simetrik olan Wald% 95 CI, daha yüksek olasılığa sahip olanlara daha düşük olasılıklı değerleri tercih edebileceği için kooky olabilir.
LR hakkında düşünmenin bir başka yolu, olasılık işlevinden gevşekçe daha fazla bilgi kullanmasıdır. Wald, MLE ve null olasılığının eğriliğine dayanır. Skor null eğim ve null eğrilik dayanmaktadır. LR, sıfırın altında olma olasılığını ve sıfır ile alternatifin birliği altında olma olasılığını değerlendirir ve ikisini birleştirir. Birini seçmek zorunda kalırsanız, bu LR'yi seçmek için sezgisel olarak tatmin edici olabilir.
Wald veya Skor'u tercih etmenin kolaylık veya hesaplamalı gibi başka nedenleri olduğunu unutmayın. Wald en basit olanıdır ve çok değişkenli bir parametre göz önüne alındığında, çok sayıda bağımsız değeri 0'a ayarlamak için test ediyorsanız, olasılığı tahmin etmek için uygun yollar vardır. Veya bazı kümelerden bir kerede bir değişken eklemek istiyorsanız, her yeni model için olasılığı en üst düzeye çıkarmak istemeyebilirsiniz ve Puan testlerinin uygulanması burada biraz kolaylık sunar. Wald ve Score, modelleriniz ve olasılığınız çekici olmadığından cazip hale gelir. (Ama sorguladığınız şeyin bu olduğunu sanmıyorum, çünkü üçünüz de mevcut ...)