一、秩和检验的优缺点
优点：
对数据分布要求宽松：
不依赖特定的总体分布假设，适用于各种分布形态的数据，包括偏态分布、未知分布以及分布严重偏离正态的情况。这使得秩和检验在实际应用中具有更广泛的适用性，尤其是当数据的分布情况不明确时，秩和检验是一种可靠的选择。
例如，在一些社会科学研究中，收集的数据可能来自不同的群体，其分布形态难以确定。此时，秩和检验可以在不考虑数据分布的情况下进行分析，避免了因错误假设数据分布而导致的错误结论。
适用于定量和有序数据：
对于定量数据，当不满足参数检验条件时，秩和检验可以有效地比较不同组之间的分布情况。对于有序数据（如等级数据），秩和检验也是一种合适的分析方法。
例如，在医学研究中，可以用秩和检验比较不同治疗方法对患者症状改善程度的差异，其中症状改善程度可以用定量的评分来表示，也可以用有序的 “轻度改善”“中度改善”“明显改善” 等类别来表示。
对异常值不敏感：
秩和检验对异常值相对不敏感，具有较好的稳健性。在数据中存在异常值的情况下，秩和检验仍然可以提供较为可靠的结果，而参数检验可能会受到异常值的严重影响，导致结果偏差较大。
例如，在财务数据分析中，可能会出现个别极大或极小的异常值。如果使用参数检验，这些异常值可能会对结果产生很大影响。而采用秩和检验方法，可以减少异常值对分析结果的干扰。
计算相对简单：
主要涉及对数据进行排序和计算秩和，相比一些复杂的参数检验方法，计算过程较为直观和简单。尤其对于不具备深厚统计学知识的研究者来说，更容易理解和应用。
例如，Wilcoxon 秩和检验的计算步骤较为清晰，首先将两个样本合并后进行排序，得到每个数据的秩次，然后分别计算两个样本的秩和，最后根据秩和的大小判断两组数据是否存在显著差异。
缺点：
检验效能相对较低：
在总体分布符合参数检验假设的情况下，参数检验通常比秩和检验具有更高的检验效能。秩和检验在处理数据时，通常会损失一些信息，因为它不利用数据的具体分布参数。这可能导致在相同样本量下，秩和检验更难检测到实际存在的差异。
例如，当数据服从正态分布时，t 检验等参数检验方法通常比 Wilcoxon 秩和检验更能灵敏地检测出两组数据之间的差异。
对样本量要求相对较高：
为了达到与参数检验相同的检验效能，秩和检验通常需要较大的样本量。这是因为秩和检验在处理数据时相对保守，需要更多的数据来支持结论的可靠性。
例如，在进行 Kruskal-Wallis 检验（一种多组独立样本的秩和检验）时，如果样本量较小，可能会导致检验的 P 值不稳定，即使实际存在差异，也可能难以得出显著的结果。而在样本量较大时，秩和检验的结果会更加稳定，更有可能检测到实际存在的差异。
结果解释相对复杂：
虽然秩和检验的计算相对简单，但结果的解释可能相对复杂。秩和检验的结果通常是基于秩次的大小来判断两组或多组数据的差异，需要对秩次的概念有一定的理解才能正确解释结果。相比之下，参数检验的结果，如 t 检验的 t 值和 P 值，更容易被直观地理解。
例如，在解释 Wilcoxon 秩和检验的结果时，需要理解秩和的含义以及如何根据秩和的大小判断两组数据的差异程度。对于不熟悉秩和检验的人来说，这可能需要一定的学习和理解过程。
二、卡方检验的优缺点
优点：
适用范围广：
适用于各种类型的分类数据，可以检验两个或多个分类变量之间的关联性。无论是二分类变量还是多分类变量，都可以使用卡方检验进行分析。
例如，在医学研究中，可以用卡方检验分析不同治疗方法与治疗效果（分为治愈、好转、无效等类别）之间的关联；在社会学研究中，可以检验性别、年龄等分类变量与某种行为或态度之间的关系。
直观易懂：
卡方检验的结果通常以卡方值和 P 值的形式呈现，比较容易理解。通过比较卡方值与临界值的大小，或者查看 P 值是否小于显著性水平，可以直观地判断两个分类变量之间是否存在关联。
例如，卡方检验得出的 P 值为 0.03，小于 0.05 的显著性水平，说明两个分类变量之间存在显著关联，这种结果比较容易被研究者和读者理解。
计算相对简单：
卡方检验的计算过程主要是计算实际观测频数与理论期望频数之间的差异，公式相对简单，容易掌握。对于一些常见的设计，如四格表卡方检验、R×C 列联表卡方检验等，计算过程较为规范，便于应用。
例如，在四格表卡方检验中，根据两个分类变量的交叉分类情况，计算出实际的频数和在假设两个变量独立情况下的期望频数，进而计算卡方值，整个过程相对容易理解和操作。
缺点：
对样本量有要求：
卡方检验的准确性在一定程度上依赖于样本量。当样本量较小时，卡方检验的结果可能不稳定，甚至可能出现错误的结论。特别是在单元格中的期望频数较小时，卡方检验的结果可能不可靠。
例如，在一个四格表中，如果某些单元格的期望频数小于 5，此时使用卡方检验可能会得到不准确的结果，需要采用校正的卡方检验方法或者使用 Fisher 精确检验。
不能反映关联的强度：
卡方检验只能判断两个分类变量之间是否存在关联，但不能反映关联的强度。即使卡方检验结果显示两个变量之间存在显著关联，也无法确定这种关联的紧密程度。
例如，卡方检验可以判断性别与某种疾病的患病情况是否有关联，但不能说明男性和女性患病风险的具体差异大小。
假设条件限制：
卡方检验通常假设观测值是独立的，并且要求每个单元格中的期望频数不能太小。如果这些假设不满足，卡方检验的结果可能不准确。
例如，在一些实际研究中，由于数据的收集方式或者研究设计的原因，观测值可能不是完全独立的，此时使用卡方检验需要谨慎考虑其结果的可靠性。