一、秩和检验在实际应用中的注意事项
数据类型适用性：
确认数据适合秩和检验。秩和检验主要适用于定量数据但分布未知或不满足参数检验假设的情况，以及有序数据。如果数据是明显的正态分布且满足参数检验条件，使用参数检验可能更高效。
例如，对于近似正态分布的学生考试成绩数据，若强行使用秩和检验，可能会降低检验效能。
样本独立性：
确保样本是独立抽取的。对于两个独立样本的秩和检验（如 Wilcoxon 秩和检验）和多个独立样本的秩和检验（如 Kruskal-Wallis 检验），样本之间的独立性是重要前提。
比如在比较不同地区医院患者的康复时间时，不能选择有转诊关系的医院患者数据，否则可能破坏样本独立性假设。
异常值处理：
虽然秩和检验对异常值相对不敏感，但仍需谨慎检查异常值。如果异常值是由于数据录入错误等原因产生的，应予以纠正或剔除。
例如，在一组医学实验数据中，某个患者的生理指标值明显偏离其他患者，需要检查该数据的准确性，若确认是错误数据应进行修正。
配对样本的特殊情况：
对于配对样本的秩和检验（如 Wilcoxon 符号秩检验），要确保配对的合理性。配对通常是基于同一对象在不同条件下或不同时间点的测量，配对关系应明确且有实际意义。
比如比较患者治疗前后的某项指标，必须确保前后两次测量是针对同一患者，且测量条件和方法一致。
解释结果的谨慎性：
秩和检验的结果基于秩次，解释结果时要考虑到这一特点。不能直接将结果与参数检验的结果进行简单类比，需要结合具体情况进行合理的解释。
例如，Wilcoxon 秩和检验得出两组数据有差异，但不能像参数检验那样给出具体的差异大小（如均值差），而只能说明在分布上存在差异。
二、卡方检验在实际应用中的注意事项
样本量要求：
注意样本量是否足够。卡方检验在小样本情况下可能不准确，尤其是当单元格中的期望频数较小时。一般来说，每个单元格的期望频数应大于 5，否则需要采用校正的卡方检验方法或 Fisher 精确检验。
例如，在一个四格表中，如果总样本量较小且某些单元格的期望频数小于 5，直接使用卡方检验可能得出错误结论。
变量独立性假设：
确保所检验的分类变量是相互独立的。如果变量之间存在关联或不满足独立性假设，卡方检验的结果可能不可靠。
比如在调查某种疾病与生活习惯的关系时，如果调查对象是家庭成员，可能存在生活习惯的相互影响，此时需要谨慎使用卡方检验。
数据准确性：
检查分类数据的准确性和完整性。错误的分类或缺失数据可能影响卡方检验的结果。
例如，在统计患者的疾病类型和治疗结果时，如果疾病类型的分类不准确，可能导致卡方检验无法正确反映两者之间的关系。
关联强度的局限性：
认识到卡方检验只能判断变量之间是否存在关联，不能衡量关联的强度。如果需要了解关联的紧密程度，需要结合其他方法进行分析。
比如卡方检验显示性别与某种疾病的患病情况有关联，但不能确定男性和女性患病风险的具体差异大小，需要进一步计算优势比等指标来衡量关联强度。
多组比较的复杂性：
在进行多个分类变量的比较时，要注意控制多重比较的问题。随着比较组数的增加，犯第一类错误的概率可能增大。
例如，在比较多种治疗方法与治疗效果的关系时，需要考虑使用适当的多重比较校正方法，以避免错误地得出有显著差异的结论。