对于这三者的排名，我不会给出明确的答案。根据每个参数围绕您的参数构建 95% 的 CI，如果它们完全不同，那么您的第一步应该是更深入地挖掘。转换您的数据（尽管 LR 将是不变的），规范您的可能性等。不过，在紧要关头，我可能会选择 LR 测试和相关的 CI。接下来是一个粗略的论点。

LR 在参数化选择下是不变的（例如，T 与 logit(T)）。Wald 统计假设 (T - T0)/SE(T) 的正态性。如果这失败了，你的 CI 很糟糕。LR 的好处是你不需要找到一个变换 f(T) 来满足正态性。基于 T 的 95% CI 将是相同的。此外，如果您的可能性不是二次的，那么对称的 Wald 95% CI 可能会很奇怪，因为它可能更喜欢可能性较低的值而不是可能性较高的值。

考虑 LR 的另一种方式是它使用了更多信息，松散地说，来自似然函数。Wald 基于 MLE 和零点似然曲率。分数基于零处的斜率和零处的曲率。LR 评估空值下的似然性，以及空值和备选并集下的似然性，并将两者结合起来。如果你被迫选择一个，这对于选择 LR 来说可能是直观的满足。

请记住，选择 Wald 或 Score 还有其他原因，例如方便或计算。Wald 是最简单的，并且在给定多变量参数的情况下，如果您要测试将许多单独的参数设置为 0，则有一些方便的方法可以近似似然。或者，如果您想从某个集合中一次添加一个变量，您可能不想最大化每个新模型的可能性，而分数测试的实现在这里提供了一些便利。当你的模型和可能性变得没有吸引力时，Wald 和 Score 变得有吸引力。（但我不认为这是你所质疑的，因为你有这三个可用......）

我不太了解该领域的文献，无法提供直接回应。但是，在我看来，如果这三个测试不同，则表明您需要进一步的研究/数据收集才能明确回答您的问题。

您可能还想看看这个谷歌学术搜索

更新以回应您的评论：

如果无法收集其他数据，则有一种解决方法。进行模拟，以反映您的数据结构、样本量和您提出的模型。您可以将参数设置为一些预先指定的值。使用生成的数据估计模型，然后检查三个测试中的哪一个将您指向正确的模型。这样的模拟将为您的真实数据使用哪种测试提供一些指导。那有意义吗？