秩和检验的效能评估和参数检验的效能评估有以下不同之处：
一、对数据分布的假设不同
参数检验效能评估：
参数检验（如 t 检验、方差分析等）通常假设数据服从特定的分布，如正态分布。在进行效能评估时，是基于这些分布假设来计算的。
例如，在 t 检验的效能评估中，假设数据是正态分布，且方差齐性。如果这些假设不满足，参数检验的效能评估结果可能不准确。
秩和检验效能评估：
秩和检验不依赖于特定的数据分布假设，对数据分布的要求较为宽松。它主要基于数据的秩次进行分析，因此在效能评估时不需要考虑数据的具体分布形式。
例如，即使数据不服从正态分布或分布未知，秩和检验的效能评估仍然可以进行，并且相对较为稳健。
二、评估指标的侧重点不同
参数检验效能评估：
参数检验的效能评估通常侧重于效应量（如均值差异、方差等）和样本量之间的关系。通过计算在给定效应量和样本量下的检验效能，来确定是否有足够的能力检测到实际存在的差异。
例如，在 t 检验中，效应量可以用两组均值之差除以合并标准差来表示。评估时会考虑不同效应量大小和样本量组合下的检验效能。
秩和检验效能评估：
秩和检验的效能评估更注重数据的秩次分布和样本量对检验结果的影响。由于秩和检验主要利用数据的秩次信息，因此效能评估会关注秩次的分布特征以及样本量对秩次统计量的影响。
例如，在 Wilcoxon 秩和检验中，效能评估会考虑不同样本量下秩和统计量的分布情况，以及是否能够有效地检测到两组数据的差异。
三、计算方法不同
参数检验效能评估：
参数检验的效能评估通常可以使用解析公式或统计软件进行计算。这些方法基于特定的分布假设，通过计算检验统计量的分布来确定检验效能。
例如，对于 t 检验，可以使用公式根据效应量、样本量、显著性水平等参数计算检验效能。也可以使用统计软件，如 G*Power 等，输入相关参数进行计算。
秩和检验效能评估：
秩和检验的效能评估方法相对较为复杂，通常需要通过模拟或近似方法进行计算。由于秩和检验不依赖特定的分布假设，无法使用解析公式直接计算检验效能。
例如，可以使用蒙特卡洛模拟方法，通过多次模拟生成不同的数据集，进行秩和检验并计算拒绝原假设的比例，以此来估计检验效能。这种方法需要较大的计算量，但可以较为准确地评估秩和检验的效能。
四、适用场景不同
参数检验效能评估：
当数据满足参数检验的假设条件（如正态分布、方差齐性等），且样本量较大时，参数检验的效能评估通常较为准确和高效。适用于对数据分布有明确假设的研究场景。
例如，在实验室研究中，数据通常可以较好地满足正态分布假设，此时使用参数检验的效能评估可以为实验设计提供准确的指导。
秩和检验效能评估：
当数据不满足参数检验的假设条件，或者数据分布未知、含有异常值、为小样本等情况下，秩和检验的效能评估更为适用。适用于对数据分布要求较为宽松的研究场景。
例如，在临床研究中，患者的生理指标可能不服从正态分布，或者样本量较小，此时使用秩和检验的效能评估可以更好地评估检验方法的有效性。