一、參數檢驗的優缺點
優點：
檢驗效能較高：
當數據滿足參數檢驗的假設條件（如總體為正態分布、方差齊性等）時，參數檢驗方法通常具有較高的檢驗效能，能夠更靈敏地檢測出實際存在的差異。
例如，在比較兩個正態分布總體的均值差異時，t 檢驗在適當的樣本量下可以準確地判斷差異是否顯著，且所需樣本量相對較小。
能提供具體參數估計：
參數檢驗可以對總體參數進行估計，如均值、方差等，從而給出更具體的統計信息，有助于深入了解總體特征。
比如在回歸分析中，可以得到回歸系數，用于描述自變量對因變量的影響程度。
缺點：
對數據分布要求嚴格：
參數檢驗通常要求數據來自特定的分布，如正態分布、t 分布等。如果數據不滿足這些假設條件，使用參數檢驗可能會得出錯誤的結論。
例如，當數據嚴重偏態或存在大量異常值時，強行使用參數檢驗可能導致結果不可靠。
對異常值敏感：
參數檢驗的結果容易受到異常值的影響。一個或幾個極端異常值可能會極大地改變參數估計值和檢驗結果。
比如在計算均值和方差時，異常值會使均值向其方向偏移，增大方差，從而影響 t 檢驗、方差分析等參數檢驗方法的結果。
二、非參數檢驗的優缺點
優點：
對數據分布要求低：
非參數檢驗不依賴于特定的總體分布假設，適用于各種分布類型的數據，包括未知分布、偏態分布、有極端值的數據等。
例如，在一些實際問題中，數據的分布可能難以確定，此時非參數檢驗可以有效地進行分析而無需擔心分布假設問題。
對異常值不敏感：
由于非參數檢驗主要基于數據的秩次或相對位置進行分析，異常值對結果的影響相對較小，具有較強的穩健性。
例如，在一組數據中即使存在個別極大或極小的異常值，非參數檢驗的結果通常不會像參數檢驗那樣受到嚴重干擾。
適用范圍廣：
非參數檢驗可用于多種數據類型，包括分類數據、有序數據和定量數據。對于一些特殊的數據結構，如小樣本、不滿足參數檢驗假設的數據等，非參數檢驗也能適用。
例如，對于等級資料或名義資料，可以使用非參數檢驗方法如卡方檢驗、秩和檢驗等進行分析。
缺點：
檢驗效能相對較低：
在數據滿足參數檢驗假設的情況下，非參數檢驗的檢驗效能通常低于參數檢驗。這意味著在相同的顯著性水平下，非參數檢驗可能需要更大的樣本量才能檢測出相同的差異。
例如，比較兩個總體的均值差異時，如果數據實際上服從正態分布，使用參數檢驗的 t 檢驗可能比非參數檢驗的 Mann-Whitney U 檢驗更容易發現差異。
信息利用不充分：
非參數檢驗通常不能像參數檢驗那樣充分利用數據的具體數值信息，而是主要基于數據的秩次等相對信息進行分析，可能會損失一些數據中的細節信息。
例如，在參數檢驗中可以直接利用數據的均值、方差等數值特征進行推斷，而非參數檢驗在這方面相對較弱。