非參數檢驗的缺點主要有以下幾點：
一、檢驗效能相對較低
通常需要較大樣本量：與參數檢驗相比，非參數檢驗在相同顯著性水平下往往需要更大的樣本量才能達到與參數檢驗相當的檢驗效能。這是因為非參數檢驗通常基于數據的秩次等相對信息進行分析，沒有充分利用數據的具體數值信息，所以在小樣本情況下可能難以檢測出實際存在的差異。
對小差異不敏感：非參數檢驗對于數據中的微小差異可能不太敏感。由于其分析方法的局限性，可能無法準確檢測出數據中較小的變化或差異，尤其是當數據分布較為復雜或差異較小時。
二、信息損失
數據轉化可能導致信息丟失：許多非參數檢驗方法需要將原始數據進行轉化，比如轉化為秩次。在這個過程中，可能會丟失一些數據的原始信息。例如，數據的具體數值大小關系在轉化為秩次后可能變得不那么明顯，從而導致一些信息的丟失，影響對數據的深入分析。
不能充分利用數據特征：非參數檢驗一般不能像參數檢驗那樣充分利用數據的特定特征，如均值、方差等。它主要基于數據的相對位置或分布形態進行分析，無法像參數檢驗那樣通過具體的參數估計來深入挖掘數據的特征，從而在某些情況下可能無法提供更精確的分析結果。
三、適用范圍有限
某些特定情況不適用：雖然非參數檢驗適用于多種數據類型和分布情況，但在一些特定情況下，非參數檢驗可能不適用。例如，對于具有特定結構的數據，如時間序列數據中存在自相關性或趨勢性時，非參數檢驗可能無法準確地檢測出數據中的差異或關聯性，需要使用專門針對時間序列的分析方法。
不能進行復雜模型擬合：非參數檢驗通常不能像參數檢驗那樣進行復雜的模型擬合。參數檢驗可以通過建立各種數學模型，如線性回歸模型、方差分析模型等，來分析多個變量之間的關系。而非參數檢驗往往只能進行簡單的差異比較或關聯性分析，難以進行復雜的模型構建和多變量關系的深入探討。