在选择非参数检验方法和参数检验方法时，可以考虑以下几个方面：
一、数据分布特征
正态性检验：
首先可以通过绘制数据的直方图、正态概率图或进行正式的正态性检验（如 Shapiro-Wilk 检验、Kolmogorov-Smirnov 检验等）来判断数据是否近似服从正态分布。
如果数据接近正态分布，且样本量较大，通常可以考虑使用参数检验方法。如果数据明显偏离正态分布，非参数检验方法可能更合适。
偏态和峰度：
观察数据的偏态（数据分布的不对称性）和峰度（数据分布的尖峰或扁平程度）。如果数据具有严重的偏态或峰度过高或过低，可能不适合参数检验。
例如，收入数据通常呈现正偏态，疾病潜伏期可能呈现严重偏态分布，此时非参数检验更为稳健。
二、样本量大小
大样本：
一般来说，当样本量较大（通常 n>30）时，根据中心极限定理，即使数据不完全服从正态分布，参数检验方法也能给出较为可靠的结果。
例如，在大规模的市场调查或医学研究中，如果样本量足够大，可以优先考虑参数检验方法，因为它们通常具有较高的检验效能。
小样本：
当样本量较小（通常 n<30）时，数据的分布特征对检验结果的影响更大。如果数据不满足参数检验的假设条件，非参数检验方法在小样本情况下通常更为稳健。
例如，在一些初步的研究或特殊情况下只能收集到少量样本时，非参数检验是更好的选择。
三、数据类型
定量数据：
对于定量数据，如果数据满足正态分布和方差齐性等假设，可以使用参数检验方法，如 t 检验、方差分析等比较均值差异。
如果数据不满足这些假设，或者分布未知，可以考虑非参数检验方法，如 Mann-Whitney U 检验、Kruskal-Wallis H 检验等。
分类数据：
对于分类数据，通常使用非参数检验方法，如卡方检验来分析不同类别之间的关联性。
例如，研究不同性别与某种疾病的发生是否有关联，可以使用卡方检验进行非参数分析。
有序数据：
当数据是有序变量时，如疾病的严重程度分为轻度、中度、重度等，可以采用非参数检验中的秩和检验等方法。
例如，比较不同治疗方法对疾病严重程度的影响，可以使用秩和检验进行非参数分析。
四、研究目的和假设
参数估计：
如果研究目的是对总体参数进行估计，如均值、方差等，参数检验方法可以直接提供这些估计值。
例如，在回归分析中，参数检验可以得到回归系数，用于描述自变量对因变量的影响程度。
差异比较：
如果主要目的是比较不同组之间是否存在差异，而不需要具体的参数估计，可以根据数据情况选择参数检验或非参数检验方法。
例如，比较两种治疗方法的效果，若数据满足参数检验假设，可以使用 t 检验；若不满足，则使用非参数检验方法如 Mann-Whitney U 检验。
五、对异常值的敏感性
异常值影响：
参数检验方法通常对异常值比较敏感，一个或几个极端异常值可能会极大地改变参数估计值和检验结果。
非参数检验方法基于数据的秩次或相对位置进行分析，对异常值不敏感。如果数据中可能存在异常值，且对结果的准确性要求较高，应谨慎使用参数检验，可考虑非参数检验方法。
稳健性需求：
如果研究需要更稳健的分析方法，能够抵抗异常值和数据分布的不确定性，非参数检验方法可能更合适。
例如，在一些实际应用中，数据可能受到各种干扰因素的影响，非参数检验的稳健性可以提供更可靠的结果。