大样本量下秩和检验效能评估的劣势不会随着样本量增加而完全消失。
一、计算资源需求方面
时间消耗：
虽然随着技术的不断进步，计算能力在不断提升，但当样本量持续增加到非常大的程度时，计算时间仍然可能很长。即使计算速度有所提高，但数据量的增长可能呈指数级，而计算速度的提升往往是线性或次线性的。
例如，当样本量从几万增加到几十万甚至上百万时，即使使用高性能的计算设备，秩和检验效能评估的计算时间可能仍然让人难以忍受，不会因为样本量的进一步增加而消失这个劣势。
存储需求：
同样，随着样本量的不断增加，存储需求也会持续增长。存储设备的容量虽然也在不断扩大，但数据的增长速度可能超过存储技术的发展速度。
例如，对于一些长期的大规模研究项目，随着时间的推移，数据不断积累，存储需求可能会成为一个持续的难题，不会因为样本量的单纯增加而得到解决。
二、结果解释的复杂性方面
微小差异的显著性：
随着样本量的增加，微小差异的显著性问题可能会更加突出。即使是极其微小的差异也可能在统计上变得显著，这使得结果的解释更加困难。
例如，在非常大样本量的情况下，可能会出现很多在统计上显著但实际意义不大的结果，研究者需要花费更多的精力去判断这些结果的实际价值，这个问题不会随着样本量的增加而消失。
多重比较问题：
样本量越大，进行多组比较或多次检验的可能性就越高，多重比较的问题也会更加严重。即使采用了一些调整显著性水平的方法，但随着样本量的增加，控制假阳性结果的难度也会增加。
例如，在大规模的基因组学研究中，涉及大量的基因和样本，多重比较的问题非常突出，不会因为样本量的继续增加而自动解决。
三、实际操作困难方面
数据收集难度：
样本量的增加意味着需要更多的资源和努力来收集数据。随着样本量不断增加，招募研究对象、确保数据质量和完整性等问题可能会变得更加棘手。
例如，在进行跨国的大规模流行病学调查时，样本量的进一步增加可能会面临不同国家和地区的法律、文化、资源等方面的限制，这些困难不会随着样本量的增加而消失。
样本代表性问题：
当样本量非常大时，确保样本的代表性可能会更加困难。需要考虑更多的因素和变量，以保证样本能够准确地代表总体。
例如，在进行全球范围的市场调研时，样本量的增加可能会导致覆盖的地区和人群更加广泛，但也可能会引入更多的偏差因素，样本代表性问题不会因为样本量的持续增加而自动解决。