Tôi sẽ không đưa ra một câu trả lời dứt khoát về thứ hạng ba. Xây dựng 95% các TCTD xung quanh các tham số của bạn dựa trên từng thông số và nếu chúng hoàn toàn khác nhau, thì bước đầu tiên của bạn là đào sâu hơn. Chuyển đổi dữ liệu của bạn (mặc dù LR sẽ bất biến), thường xuyên hóa khả năng của bạn, v.v. Trong một trường hợp khó khăn, tôi có thể sẽ chọn thử nghiệm LR và CI liên quan. Một cuộc tranh cãi sau đây.
LR là bất biến dưới sự lựa chọn tham số (ví dụ T so với logit (T)). Thống kê Wald giả định tính quy phạm của (T - T0) / SE (T). Nếu điều này không thành công, CI của bạn là xấu. Điều thú vị về LR là bạn không cần tìm biến đổi f (T) để đáp ứng tính quy tắc. CI 95% dựa trên T sẽ giống nhau. Ngoài ra, nếu khả năng của bạn không phải là bậc hai, Wald 95% CI, đối xứng, có thể là kooky vì nó có thể thích các giá trị với khả năng thấp hơn so với những người có khả năng cao hơn.
Một cách khác để suy nghĩ về LR là nó sử dụng nhiều thông tin hơn, nói một cách lỏng lẻo, từ chức năng khả năng. Wald dựa trên MLE và độ cong của khả năng là null. Điểm số dựa trên độ dốc ở mức không và độ cong ở mức không. LR đánh giá khả năng theo null và khả năng dưới sự kết hợp giữa null và thay thế, và kết hợp cả hai. Nếu bạn bị buộc phải chọn một, điều này có thể thỏa mãn bằng trực giác khi chọn LR.
Hãy nhớ rằng có những lý do khác, chẳng hạn như sự thuận tiện hoặc tính toán, để chọn Wald hoặc Score. Wald là đơn giản nhất và, được cung cấp một tham số đa biến, nếu bạn đang thử nghiệm đặt nhiều giá trị riêng lẻ thành 0, có nhiều cách thuận tiện để ước tính khả năng. Hoặc nếu bạn muốn thêm một biến số tại một số bộ, bạn có thể không muốn tối đa hóa khả năng cho từng mô hình mới và việc triển khai các bài kiểm tra Điểm mang lại sự thuận tiện ở đây. Wald và Score trở nên hấp dẫn khi các mô hình và khả năng của bạn trở nên không hấp dẫn. (Nhưng tôi không nghĩ rằng đây là những gì bạn đã hỏi, vì bạn có sẵn cả ba ...)