非參數檢驗具有以下優點和缺點：
一、優點
對數據分布要求寬松：
非參數檢驗不依賴于特定的總體分布假設，適用于各種分布形態的數據，包括偏態分布、未知分布以及分布嚴重偏離正態的情況。這使得非參數檢驗在實際應用中具有更廣泛的適用性，尤其是當數據的分布情況不明確時，非參數檢驗是一種可靠的選擇。
例如，在一些社會科學研究中，收集的數據可能來自不同的群體，其分布形態難以確定。此時，非參數檢驗可以在不考慮數據分布的情況下進行分析，避免了因錯誤假設數據分布而導致的錯誤結論。
適用于定性和定量數據：
非參數檢驗既可以處理定性數據，如分類變量，也可以處理定量數據。對于定性數據，可以進行卡方檢驗等非參數檢驗來分析不同類別之間的差異或關聯性。對于定量數據，當不滿足參數檢驗條件時，可以使用秩和檢驗等非參數方法。
例如，在醫學研究中，可以用非參數檢驗比較不同治療方法對患者癥狀改善程度的差異，其中癥狀改善程度可以用定量的評分來表示，也可以用定性的 “改善”“無變化”“惡化” 等類別來表示。
計算簡單、易于理解：
非參數檢驗的計算方法相對簡單，通常不需要復雜的數學推導和計算。這使得非參數檢驗更容易被理解和應用，尤其對于不具備深厚統計學知識的研究者來說更為方便。
例如，Wilcoxon 秩和檢驗的計算主要涉及對數據進行排序和計算秩和，相比參數檢驗中的復雜公式和計算過程，更容易被掌握和解釋。
對異常值不敏感：
非參數檢驗對異常值相對不敏感，具有較好的穩健性。在數據中存在異常值的情況下，非參數檢驗仍然可以提供較為可靠的結果，而參數檢驗可能會受到異常值的嚴重影響，導致結果偏差較大。
例如，在財務數據分析中，可能會出現個別極端值。如果使用參數檢驗，這些極端值可能會對結果產生很大影響。而采用非參數檢驗方法，如秩和檢驗，可以減少異常值對分析結果的干擾。
二、缺點
檢驗效能相對較低：
在總體分布符合參數檢驗假設的情況下，參數檢驗通常比非參數檢驗具有更高的檢驗效能。非參數檢驗在處理數據時，通常會損失一些信息，因為它不利用數據的具體分布參數。這可能導致在相同樣本量下，非參數檢驗更難檢測到實際存在的差異。
例如，當數據服從正態分布時，t 檢驗等參數檢驗方法通常比 Wilcoxon 秩和檢驗等非參數檢驗方法更能靈敏地檢測出兩組數據之間的差異。
對樣本量要求相對較高：
為了達到與參數檢驗相同的檢驗效能，非參數檢驗通常需要較大的樣本量。這是因為非參數檢驗在處理數據時相對保守，需要更多的數據來支持結論的可靠性。
例如，在進行 Kruskal-Wallis 檢驗時，如果樣本量較小，可能會導致檢驗的 P 值不穩定，即使實際存在差異，也可能難以得出顯著的結果。而在樣本量較大時，非參數檢驗的結果會更加穩定，更有可能檢測到實際存在的差異。
結果解釋相對復雜：
雖然非參數檢驗的計算相對簡單，但結果的解釋可能相對復雜。非參數檢驗的結果通常是基于秩次或其他非傳統的統計量，對于不熟悉非參數檢驗的人來說，理解這些結果可能會有一定的難度。
例如，Wilcoxon 秩和檢驗的結果是基于秩和的大小來判斷兩組數據的差異，需要對秩和的概念有一定的理解才能正確解釋結果。相比之下，參數檢驗的結果，如 t 檢驗的 t 值和 P 值，更容易被直觀地理解。