在统计分析中，如果您的数据遵循参数分布，您应该利用了解分布的好处，并采用基于该分布的统计方法。

但有时我们不知道随机变量的分布，因此开发了非参数统计方法以涵盖广泛的分布，同时牺牲一些效率。

已知随机变量的分布，使用非参数统计方法，而不是基于知道分布的参数统计方法，效率低下，即检验的功效会降低，标准误差会增加，置信区间会增加比参数方法更宽。

如果您的数据碰巧来自正常人群（并且适用于普通 t 检验的其他常见假设），那么该测试将正常工作（它是非参数的，它应该有效）。这个分数没有戏剧性。

如果你足够了解你有信心假设正常，你可能想利用这些知识，但对于许多测试来说，它对你没有多大帮助。

如果您正在执行一种常见的位置测试（Wilcoxon 符号秩测试、Wilcoxon-Mann-Whitney 测试），那么您在忽略正态性的位置偏移测试中几乎没有损失任何东西（功率方面）。[当所有假设都成立时，每 21 个观测值需要一个额外的观测值来匹配最强大检验的功效。]

如果您正在处理其他一些测试，可能会更重要（尽管有些可能更不重要）。与随机区组设计中的相应 ANOVA 检验相比，它产生更大差异的一个示例是使用弗里德曼检验。