卡方檢驗和非參數檢驗在適用場景上有以下一些區別：
一、數據類型
卡方檢驗：
主要適用于分類數據。例如，研究性別（男 / 女）與是否患病（是 / 否）兩個分類變量之間的關系，或者比較不同治療方法（A 方法 / B 方法 / C 方法等）的有效率（有效 / 無效）。
可以用于分析多個分類變量之間的關聯性，如行 × 列表卡方檢驗。
非參數檢驗：
適用于多種數據類型，包括分類數據、有序數據和定量數據。
對于分類數據，非參數檢驗中的某些方法（如卡方檢驗也屬于非參數檢驗的一類用于分類數據的情況）可用于分析關聯性等問題。
對于有序數據，如疾病的嚴重程度分為輕度、中度、重度，可以使用非參數檢驗中的秩和檢驗等方法來比較不同組之間的差異。
對于定量數據但不滿足參數檢驗所需的正態分布等假設時，也可以采用非參數檢驗方法，如 Wilcoxon 秩和檢驗、Kruskal-Wallis 檢驗等。
二、總體分布假設
卡方檢驗：
通常不對總體的分布形態做嚴格假設，但有特定的適用條件，如樣本的獨立性、期望頻數的要求等。
例如，在四格表卡方檢驗中，要求每個單元格的期望頻數不能太小。
非參數檢驗：
一般不對總體分布做嚴格假設，這使得非參數檢驗在總體分布未知或不滿足參數檢驗假設的情況下非常適用。
例如，當數據嚴重偏態、存在極端值或者樣本量較小時，非參數檢驗可能更合適。
三、實驗設計和研究問題
卡方檢驗：
常用于觀察性研究中分析分類變量之間的關系。例如，在市場調查中分析不同年齡段消費者對某種產品的偏好是否有差異。
也可用于驗證性實驗中比較不同組之間的比例是否相等，如在醫學研究中比較兩種治療方法的有效率是否不同。
非參數檢驗：
適用于各種實驗設計和研究問題。
對于無法滿足參數檢驗假設的實驗數據，如小樣本、數據嚴重偏態等情況，非參數檢驗可以提供有效的分析方法。
在比較多個獨立樣本且不明確總體分布時，Kruskal-Wallis 檢驗可以替代方差分析。
對于配對設計的數據，若數據不滿足參數檢驗條件，可以使用 Wilcoxon 符號秩檢驗。
四、結果解釋的側重點
卡方檢驗：
主要得出關于分類變量之間關聯性的結論，如兩個變量是否獨立，或者不同組之間的比例是否有顯著差異。
不能直接給出關聯的強度或方向，只能表明存在或不存在關聯。
非參數檢驗：
結果解釋側重于比較不同組之間數據的分布情況或差異程度。
例如，秩和檢驗可以通過比較秩和的大小來判斷不同組的數據是否來自相同的分布，或者哪一組的數據更傾向于較大或較小的值。
但同樣不能像參數檢驗那樣給出具體的效應大小指標。