一、秩和檢驗的優缺點
優點：
對數據分布要求寬松：
不依賴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。這使得秩和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，秩和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，秩和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。
適用于定量和有序數據：
對于定量數據，當不滿足參數檢驗條件時，秩和檢驗可以有效地比較不同組之間的分布情況。對于有序數據（如等級數據），秩和檢驗也是一種合適的分析方法。
例如，在醫學研究中，可以用秩和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，也可以用有序的 “輕度改善”“中度改善”“明顯改善” 等類別來表示。
對異常值不敏感：
秩和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，秩和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，可能會出現個別極大或極小的異常值。如果使用參數檢驗，這些異常值可能會對結果產生很大影響。而采用秩和檢驗方法，可以減少異常值對分析結果的干擾。
計算相對簡單：
主要涉及對數據進行排序和計算秩和，相比一些復雜的參數檢驗方法，計算過程較為直觀和簡單。尤其對于不具備深厚統計學知識的研究者來說，更容易理解和應用。
例如，Wilcoxon 秩和檢驗的計算步驟較為清晰，首先將兩個樣本合并后進行排序，得到每個數據的秩次，然后分別計算兩個樣本的秩和，最后根據秩和的大小判斷兩組數據是否存在顯著差異。
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，參數檢驗通常比秩和檢驗具有更高的檢驗效能。秩和檢驗在處理數據時，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，秩和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，秩和檢驗通常需要較大的樣本量。這是因為秩和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（一種多組獨立樣本的秩和檢驗）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，秩和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：
雖然秩和檢驗的計算相對簡單，但結果的解釋可能相對復雜。秩和檢驗的結果通常是基于秩次的大小來判斷兩組或多組數據的差異，需要對秩次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。
例如，在解釋 Wilcoxon 秩和檢驗的結果時，需要理解秩和的含義以及如何根據秩和的大小判斷兩組數據的差異程度。對于不熟悉秩和檢驗的人來說，這可能需要一定的學習和理解過程。
二、卡方檢驗的優缺點
優點：
適用范圍廣：
適用于各種類型的分類數據，可以檢驗兩個或多個分類變量之間的關聯性。無論是二分類變量還是多分類變量，都可以使用卡方檢驗進行分析。
例如，在醫學研究中，可以用卡方檢驗分析不同治療方法與治療效果（分為治愈、好轉、無效等類別）之間的關聯；在社會學研究中，可以檢驗性別、年齡等分類變量與某種行為或態度之間的關系。
直觀易懂：
卡方檢驗的結果通常以卡方值和 P 值的形式呈現，比較容易理解。通過比較卡方值與臨界值的大小，或者查看 P 值是否小于顯著性水平，可以直觀地判斷兩個分類變量之間是否存在關聯。
例如，卡方檢驗得出的 P 值為 0.03，小于 0.05 的顯著性水平，說明兩個分類變量之間存在顯著關聯，這種結果比較容易被研究者和讀者理解。
計算相對簡單：
卡方檢驗的計算過程主要是計算實際觀測頻數與理論期望頻數之間的差異，公式相對簡單，容易掌握。對于一些常見的設計，如四格表卡方檢驗、R×C 列聯表卡方檢驗等，計算過程較為規范，便于應用。
例如，在四格表卡方檢驗中，根據兩個分類變量的交叉分類情況，計算出實際的頻數和在假設兩個變量獨立情況下的期望頻數，進而計算卡方值，整個過程相對容易理解和操作。
缺點：
對樣本量有要求：
卡方檢驗的準確性在一定程度上依賴于樣本量。當樣本量較小時，卡方檢驗的結果可能不穩定，甚至可能出現錯誤的結論。特別是在單元格中的期望頻數較小時，卡方檢驗的結果可能不可靠。
例如，在一個四格表中，如果某些單元格的期望頻數小于 5，此時使用卡方檢驗可能會得到不準確的結果，需要采用校正的卡方檢驗方法或者使用 Fisher 精確檢驗。
不能反映關聯的強度：
卡方檢驗只能判斷兩個分類變量之間是否存在關聯，但不能反映關聯的強度。即使卡方檢驗結果顯示兩個變量之間存在顯著關聯，也無法確定這種關聯的緊密程度。
例如，卡方檢驗可以判斷性別與某種疾病的患病情況是否有關聯，但不能說明男性和女性患病風險的具體差異大小。
假設條件限制：
卡方檢驗通常假設觀測值是獨立的，并且要求每個單元格中的期望頻數不能太小。如果這些假設不滿足，卡方檢驗的結果可能不準確。
例如，在一些實際研究中，由于數據的收集方式或者研究設計的原因，觀測值可能不是完全獨立的，此時使用卡方檢驗需要謹慎考慮其結果的可靠性。