Я не дам остаточної відповіді з точки зору ранжирування трьох. Створіть 95% ІС навколо своїх параметрів на основі кожного, і якщо вони кардинально відрізняються, то ваш перший крок повинен бути копати глибше. Перетворіть ваші дані (хоча LR буде інваріантним), регулюйте свою ймовірність і т. Д. Хоча я, мабуть, обрав би тест LR та пов'язаний з ним ІП. Звідси випливає брутальний аргумент.
LR є інваріантним при виборі параметризації (наприклад, T проти logit (T)). Статистика Уолда передбачає нормальність (T - T0) / SE (T). Якщо це не вдасться, ваш ІС поганий. Приємне в LR, що вам не потрібно знайти перетворення f (T), щоб задовольнити нормальність. 95% ІС на основі Т буде однаковим. Крім того, якщо ваша ймовірність не є квадратичною, ІР-синдром 95%, симетричний, може бути незграбним, оскільки він може віддавати перевагу значенням з меншою ймовірністю, ніж тим, у кого більша ймовірність.
Ще один спосіб думати про LR - це те, що він використовує більше інформації, вільно кажучи, від функції ймовірності. Wald заснований на MLE і кривизну ймовірності при нулі. Оцінка базується на нахилі при нулі та кривизні при нулі. LR оцінює вірогідність під нульовим і ймовірність за об'єднанням нульового та альтернативного та поєднує обидві. Якщо ви змушені вибрати один, це може бути інтуїтивно задоволенням для вибору LR.
Майте на увазі, що існують інші причини, такі як зручність чи обчислюваність, для вибору Wald або Score. Wald - це найпростіший і з урахуванням багатовимірного параметра, якщо ви перевіряєте встановлення багатьох індивідуальних на 0, є зручні способи наблизити ймовірність. Або якщо ви хочете додати змінну одночасно з якогось набору, можливо, ви не хочете збільшити ймовірність для кожної нової моделі, і реалізація тестів Score пропонує тут деяку зручність. Wald і Score стають привабливими, оскільки ваші моделі та ймовірність стають непривабливими. (Але я не думаю, що це те, про що ви питали, оскільки у вас є всі три доступні ...)