Answers:
我对该地区的文献了解不足，无法直接做出回应。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 Google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。做一个模拟，以反映您的数据结构，样本大小和建议的模型。您可以将参数设置为一些预先指定的值。使用生成的数据估算模型，然后检查三个测试中的哪一个将您指向正确的模型。这样的模拟将为您针对实际数据使用哪种测试提供一些指导。那有意义吗？
我不会就排名三给出确切的答案。根据每个参数围绕您的参数构建95％的配置项，如果它们根本不同，那么您的第一步应该是更深入地研究。转换您的数据（尽管LR将是不变的），规范您的可能性等。但是，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。
在参数化的选择下，LR是不变的（例如，T vs logit（T））。Wald统计量假设（T-T0）/ SE（T）的正态性。如果失败，则您的CI不好。关于LR的好处是，您无需找到变换f（T）即可满足正态性。基于T的95％CI将相同。同样，如果您的可能性不是二次方，则对称的Wald 95％CI可能会很怪异，因为它可能比那些可能性较高的值更喜欢可能性较低的值。
另一个关于LR的想法是，它使用了似然函数的更多信息。Wald基于MLE和零时似然率的曲率。分数基于零位的斜率和零位的曲率。LR评估零值下的可能性，以及零值和替代项并集下的可能性，并将两者合并。如果您被迫选择一个，这可能会很直观地满足您选择LR的需求。
请记住，还有其他原因（例如方便或计算方式）选择Wald或Score。Wald是最简单的参数，给定一个多元参数，如果要测试将多个单个参数设置为0，则有一些简便的方法可以估算出可能性。或者，如果您想一次从某个集合中添加一个变量，则可能不想最大化每个新模型的可能性，并且在这里实施Score测试会带来一些便利。Wald和Score变得有吸引力，因为您的模型和可能性变得没有吸引力。（但是我不认为这是您要问的问题，因为您拥有全部三个可用的信息...）