非參數檢驗與參數檢驗的結果有可能差異大，也有可能差異小，具體取決于多種因素。
一、可能差異小的情況
數據接近滿足參數檢驗假設：
當數據雖然不完全符合參數檢驗的嚴格假設（如正態分布、方差齊性等），但比較接近這些假設條件時，非參數檢驗與參數檢驗的結果可能差異較小。
例如，數據稍微偏離正態分布，但總體上還算比較對稱，在這種情況下，兩種檢驗方法可能都能檢測到相似的差異或關聯性，結果較為接近。
大樣本數據：
在大樣本情況下，根據中心極限定理，樣本均值趨向于正態分布。即使數據不完全滿足參數檢驗假設，參數檢驗的結果也可能較為穩定。同時，非參數檢驗在大樣本時也具有較好的性能。因此，兩種檢驗方法的結果可能差異不大。
例如，在大規模的市場調查中，樣本量很大，無論是使用參數檢驗還是非參數檢驗，對總體特征的估計可能較為一致，結果差異較小。
二、可能差異大的情況
數據嚴重不滿足參數檢驗假設：
如果數據明顯不服從正態分布（如嚴重偏態、有大量異常值）、方差不齊等，參數檢驗的結果可能會出現偏差，而非參數檢驗由于不依賴這些假設，結果可能更可靠。此時，兩種檢驗方法的結果可能差異較大。
例如，某些財務數據呈現高度偏態分布，使用參數檢驗和非參數檢驗可能會得出截然不同的結論。
小樣本數據且分布特殊：
在小樣本情況下，數據的分布特征對檢驗結果的影響更大。如果數據分布特殊，不滿足參數檢驗假設，非參數檢驗和參數檢驗的結果可能差異較大。
例如，在一些醫學研究中，樣本量較小且數據分布未知，參數檢驗可能無法準確反映實際情況，而非參數檢驗可能更合適，兩者結果差異明顯。
不同的研究問題和數據類型：
對于不同的研究問題和數據類型，非參數檢驗和參數檢驗的適用性不同，結果也可能差異較大。
例如，對于分類數據或有序數據，非參數檢驗中的卡方檢驗、秩和檢驗等是合適的方法，而參數檢驗不適用。在這種情況下，兩種檢驗方法的結果必然不同。
綜上所述，非參數檢驗與參數檢驗的結果差異大小因具體情況而異，需要根據數據特征、研究問題和樣本大小等因素進行綜合判斷。