非参数检验方法的优点：
一、适用范围广
不依赖特定分布：
非参数检验不要求数据服从特定的分布，如正态分布等。这在实际应用中非常重要，因为很多情况下我们并不清楚数据的具体分布，或者数据明显不服从常见的参数分布假设。
例如，在一些新兴领域的研究中，数据的分布可能是未知的，非参数检验可以在这种情况下进行有效的数据分析。
适用于各种数据类型：
可以处理分类数据、有序数据和定量数据，尤其是对于那些不满足参数检验要求的定量数据。
对于分类数据，可以使用卡方检验等非参数方法进行关联性分析；对于有序数据，可以采用秩和检验等方法比较不同组之间的差异。
二、对异常值不敏感
稳健性强：
非参数检验通常对异常值具有较强的稳健性。异常值在数据中可能会对参数检验产生很大的影响，导致结果偏差。但在非参数检验中，由于其基于数据的秩次或其他相对位置的统计量，异常值的影响相对较小。
例如，在一组数据中，如果存在个别极大或极小的异常值，非参数检验的结果不会像参数检验那样受到严重干扰，能够更稳定地反映数据的总体特征。
减少错误结论风险：
异常值可能是由于数据采集错误、测量误差或特殊情况引起的。非参数检验对异常值的不敏感性降低了因异常值而得出错误结论的风险，提高了分析结果的可靠性。
三、小样本适用性好
样本量要求低：
在样本量较小的情况下，非参数检验仍然可以提供有效的分析结果。参数检验通常需要较大的样本量才能满足分布假设和保证检验的准确性，而在小样本时，非参数检验的性能相对较好。
例如，在一些初步研究或特殊情况下，可能只能获得少量的样本数据。此时，非参数检验可以作为一种可行的分析方法，帮助研究者得出初步的结论。
适用于特殊情况：
在一些难以收集大量样本的情况下，非参数检验可以发挥重要作用。例如，一些罕见疾病的研究或者特定的实验设计中，样本量可能有限，非参数检验可以在这种情况下进行有效的分析。
四、计算简单、易于理解
计算方法相对简单：
非参数检验的计算方法通常比较简单，不需要复杂的数学推导和计算。这使得非参数检验在实际应用中更容易实施，尤其是对于不具备深厚统计学知识的研究者来说。
例如，一些非参数检验方法，如符号检验、Wilcoxon 符号秩检验等，计算过程相对直观，容易理解和掌握。
结果易于解释：
非参数检验的结果通常比较直观，易于解释。非参数检验的统计量往往基于数据的相对位置或分布特征，其结果可以直接反映数据之间的差异或关联性，不需要像参数检验那样通过复杂的参数估计和假设检验来解释结果。
例如，秩和检验的结果可以直接说明不同组之间的数据分布是否存在差异，而不需要考虑总体参数的估计和假设检验的复杂过程。
非参数检验方法的缺点：
一、检验效能相对较低
可能需要较大样本量：
与参数检验相比，非参数检验在相同显著性水平下通常需要更大的样本量才能达到与参数检验相当的检验效能。这是因为非参数检验在分析数据时通常没有充分利用数据的全部信息，而只是基于数据的某些相对位置或分布特征进行检验。
例如，在比较两组数据的均值差异时，如果数据满足正态分布假设，使用参数检验（如 t 检验）可能只需要较小的样本量就能检测出显著差异。但如果使用非参数检验（如 Wilcoxon 秩和检验），可能需要更大的样本量才能达到相同的检测能力。
对小差异不敏感：
非参数检验对于数据中的微小差异可能不太敏感。由于非参数检验通常基于数据的相对位置或分布特征，对于数据中的细微变化可能难以检测到。而参数检验可以利用数据的具体数值进行分析，对小差异可能更敏感。
例如，在一些对差异要求较高的研究中，如药物疗效的细微差异比较，非参数检验可能无法准确检测出这些小差异，从而影响研究的准确性。
二、信息损失
数据转化可能导致信息丢失：
许多非参数检验方法需要将原始数据进行转化，如将数据转化为秩次。在这个过程中，可能会丢失一些数据的原始信息。例如，数据的具体数值大小关系可能在转化为秩次后变得不那么明显，从而导致一些信息的丢失。
例如，在进行 Wilcoxon 秩和检验时，将数据转化为秩次后，只考虑了数据的相对大小关系，而丢失了数据的具体数值信息。这可能会影响对数据的深入分析和理解。
无法充分利用数据特征：
非参数检验通常不能像参数检验那样充分利用数据的特定特征。例如，参数检验可以根据数据的均值、方差等参数进行分析，这些参数可以反映数据的集中趋势和离散程度等特征。而非参数检验往往只能基于数据的一般分布特征进行分析，无法充分利用数据的具体特征。
例如，在一些需要考虑数据特定特征的研究中，如具有特定分布的数据或需要考虑数据的方差稳定性的情况，非参数检验可能无法提供足够准确的分析结果。
三、适用范围有限
某些情况下不适用：
虽然非参数检验适用于多种数据类型和分布情况，但在某些特定情况下，非参数检验可能不适用。例如，当数据具有特定的结构或关系时，非参数检验可能无法有效地进行分析。
例如，在时间序列数据中，如果数据存在自相关性或趋势性，非参数检验可能无法准确地检测出数据中的差异或关联性。此时，可能需要使用专门针对时间序列数据的分析方法。
不能进行复杂的模型拟合：
非参数检验通常不能像参数检验那样进行复杂的模型拟合。参数检验可以通过建立数学模型，如线性回归模型、方差分析模型等，来分析数据之间的关系。而非参数检验往往只能进行简单的差异比较或关联性分析，无法进行复杂的模型拟合。
例如，在研究多个变量之间的关系时，参数检验可以通过建立多元回归模型来分析变量之间的线性关系。而非参数检验可能无法进行这样的复杂分析，限制了其在一些需要进行模型拟合的研究中的应用。