ฉันจะไม่ให้คำตอบที่ชัดเจนในแง่ของการจัดอันดับทั้งสาม สร้าง CIs 95% รอบ ๆ พารามิเตอร์ของคุณตามแต่ละตัวและหากพวกมันแตกต่างกันอย่างสิ้นเชิงขั้นตอนแรกของคุณก็ควรที่จะขุดลึกลงไป แปลงข้อมูลของคุณ (แม้ว่า LR จะไม่เปลี่ยนแปลง), ปรับความเป็นไปได้ของคุณให้เป็นมาตรฐานเป็นต้นในเวลาสั้น ๆ ฉันอาจเลือกใช้การทดสอบ LR และ CI ที่เกี่ยวข้อง อาร์กิวเมนต์คร่าวๆดังนี้
parametrization (เช่น T กับ logit (T)) สถิติของ Wald ถือว่าปกติของ (T - T0) / SE (T) หากล้มเหลว CI ของคุณจะไม่ดี สิ่งที่ดีเกี่ยวกับ LR คือคุณไม่จำเป็นต้องหาการแปลง f (T) เพื่อให้เป็นไปตามปกติ 95% CI จาก T จะเหมือนกัน นอกจากนี้หากโอกาสของคุณไม่ได้เป็นกำลังสองการ Wald 95% CI ซึ่งสมมาตรอาจเป็นเรื่องตลกเพราะมันอาจจะให้คุณค่ากับโอกาสที่ต่ำกว่าสำหรับผู้ที่มีโอกาสสูงกว่า
อีกวิธีหนึ่งในการคิดเกี่ยวกับ LR คือการใช้ข้อมูลมากขึ้นการพูดอย่างหลวม ๆ จากฟังก์ชันความน่าจะเป็น Wald นั้นมีพื้นฐานมาจาก MLE และความโค้งของโอกาสที่จะเป็นโมฆะ คะแนนขึ้นอยู่กับความชันเป็นโมฆะและความโค้งเป็นโมฆะ LR ประเมินความเป็นไปได้ภายใต้ค่าว่างและโอกาสภายใต้การรวมกันของค่าว่างและทางเลือกและรวมทั้งสองอย่างเข้าด้วยกัน หากคุณถูกบังคับให้เลือกอย่างใดอย่างหนึ่งนี่อาจจะเป็นที่พอใจสำหรับการเลือก LR
โปรดทราบว่ามีเหตุผลอื่น ๆ เช่นความสะดวกสบายหรือการคำนวณเพื่อเลือกใช้ Wald หรือคะแนน Wald เป็นวิธีที่ง่ายที่สุดและได้รับพารามิเตอร์หลายตัวแปรหากคุณกำลังทดสอบการตั้งค่าหลาย ๆ ค่าเป็น 0 มีวิธีที่สะดวกในการประมาณความน่าจะเป็น หรือถ้าคุณต้องการเพิ่มตัวแปรทีละชุดจากบางชุดคุณอาจไม่ต้องการเพิ่มความเป็นไปได้สูงสุดสำหรับแต่ละรุ่นใหม่และการใช้การทดสอบคะแนนนำเสนอความสะดวกสบายบางอย่างที่นี่ Wald และ Score นั้นน่าสนใจเมื่อนางแบบและความน่าจะเป็นของคุณไม่น่าสนใจ (แต่ฉันไม่คิดว่านี่เป็นสิ่งที่คุณสงสัยเนื่องจากคุณมีทั้งสามข้อ ... )