मैं तीनों की रैंकिंग के मामले में कोई निश्चित जवाब नहीं दूंगा। प्रत्येक के आधार पर अपने मापदंडों के आसपास 95% CI का निर्माण करें, और यदि वे मौलिक रूप से अलग हैं, तो आपका पहला कदम गहरा खोदना चाहिए। अपने डेटा को ट्रांसफ़ॉर्म करें (हालाँकि एलआर अपरिवर्तनीय होगा), अपनी संभावना को नियमित करें, आदि। एक चुटकी में, हालांकि, मैं शायद एलआर परीक्षण और संबंधित सीआई का विकल्प चुनूंगा। एक मोटा तर्क इस प्रकार है।
एलआर पैरामीरिजेशन (जैसे टी बनाम लॉगिट (टी)) की पसंद के तहत अपरिवर्तनीय है। Wald आँकड़ा सामान्यता (T - T0) / SE (T) मानता है। यदि यह विफल रहता है, तो आपका CI खराब है। LR के बारे में अच्छी बात यह है कि आपको सामान्यता को संतुष्ट करने के लिए ट्रांसफ़ॉर्म एफ (टी) खोजने की आवश्यकता नहीं है। T पर आधारित 95% CI एक ही होगा। इसके अलावा, यदि आपकी संभावना द्विघात नहीं है, तो वाल्ड 95% सीआई, जो सममित है, कोक हो सकता है क्योंकि यह उच्च संभावना वाले लोगों के लिए कम संभावना वाले मूल्यों को पसंद कर सकता है।
एलआर के बारे में सोचने का एक और तरीका यह है कि यह अधिक जानकारी का उपयोग कर रहा है, संभावना समारोह से शिथिल रूप से बोल रहा है। वाल्ड MLE और शून्य पर संभावना की वक्रता पर आधारित है। स्कोर शून्य पर ढलान और अशक्त पर वक्रता पर आधारित है। एलआर शून्य के तहत संभावना का मूल्यांकन करता है, और शून्य और वैकल्पिक के मिलन के तहत संभावना, और दोनों को जोड़ती है। यदि आप एक लेने के लिए मजबूर हैं, तो यह LR को चुनने के लिए सहज रूप से संतोषजनक हो सकता है।
ध्यान रखें कि वाल्ड या स्कोर का चयन करने के लिए, सुविधा या कम्प्यूटेशनल जैसे अन्य कारण हैं। वाल्ड सबसे सरल है और, एक मल्टीवेरेट पैरामीटर दिया जाता है, यदि आप कई व्यक्तियों को 0 पर सेट करने के लिए परीक्षण कर रहे हैं, तो संभावना को अनुमानित करने के लिए सुविधाजनक तरीके हैं। या यदि आप किसी सेट से एक समय में एक चर जोड़ना चाहते हैं, तो आप प्रत्येक नए मॉडल के लिए संभावना को अधिकतम नहीं करना चाह सकते हैं, और स्कोर परीक्षणों के कार्यान्वयन से यहां कुछ सुविधा मिलती है। वाल्ड और स्कोर आपके मॉडल के रूप में आकर्षक हो जाते हैं और संभावनाएं बदसूरत हो जाती हैं। (लेकिन मुझे नहीं लगता कि यह वही है जो आप पूछ रहे थे, क्योंकि आपके पास तीनों उपलब्ध हैं ...)