非參數檢驗的適用范圍主要包括以下幾個方面：
一、數據類型
分類數據：
對于名義尺度的分類數據，如性別（男 / 女）、血型（A、B、AB、O）等，可以使用非參數檢驗中的卡方檢驗來分析不同類別之間的關聯性。
例如，檢驗不同治療方法與治療效果（治愈 / 未治愈）之間是否存在關聯。
有序數據：
當數據是有序尺度的，如疾病嚴重程度（輕度、中度、重度）、滿意度（非常不滿意、不滿意、一般、滿意、非常滿意）等，可以采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。
例如，比較不同年齡段人群對某一產品的滿意度是否有差異。
定量數據但不滿足參數檢驗假設：
當定量數據不服從正態分布、方差不齊或存在極端值時，非參數檢驗是合適的選擇。
例如，某些財務數據可能呈現嚴重偏態分布，此時使用非參數檢驗來分析不同公司的財務指標差異更為合適。
二、總體分布未知
總體分布難以確定：
在一些情況下，我們可能不知道總體的分布形式，或者總體分布非常復雜難以用常見的分布來描述。非參數檢驗不依賴于特定的總體分布假設，因此適用于這種情況。
例如，在一些新興領域的研究中，數據的分布可能尚未被充分了解，非參數檢驗可以在這種情況下進行有效的數據分析。
小樣本數據：
當樣本量較小，難以判斷總體分布是否為正態分布時，非參數檢驗通常更為穩健。
例如，在一些初步的研究或者特殊情況下只能收集到少量樣本時，非參數檢驗可以提供較為可靠的結果。
三、實驗設計和研究問題
非正態數據的實驗設計：
對于一些實驗設計，可能會產生非正態分布的數據。例如，生存分析中，生存時間數據通常不服從正態分布，此時可以使用非參數檢驗方法如 Kaplan-Meier 估計和 log-rank 檢驗。
在一些重復測量設計中，如果數據存在自相關性或者不滿足正態分布假設，非參數檢驗也可以作為一種選擇。
探索性研究：
在探索性研究中，我們對數據的分布和關系了解較少，非參數檢驗可以作為一種初步的分析方法，幫助我們了解數據的特征和潛在的關系。
例如，在對一個新的數據集進行分析時，可以先使用非參數檢驗方法來觀察變量之間的大致關系，為后續的深入研究提供方向。
比較多個獨立樣本：
當需要比較多個獨立樣本（三個或以上）時，如果數據不滿足參數檢驗的假設條件，可以使用非參數檢驗中的 Kruskal-Wallis 檢驗。
例如，比較不同地區的空氣質量指標是否有差異。
配對樣本設計：
對于配對樣本設計，如果數據不滿足參數檢驗的假設條件，可以使用非參數檢驗中的 Wilcoxon 符號秩檢驗。
例如，比較同一組患者在治療前后的某項指標是否有變化。