这种 P 值均匀分布的想法在统计学教育和实践中是相当新的。我不知道是否有人为已普遍使用的相关直方图起一个名字。下面我只称它们为“Null P-value”直方图。

重要的是要注意，只有当原假设为真、检验统计量是连续的并且满足检验的所有假设时，P 值的这种均匀分布才成立。

通常，检验统计量必须准确且连续，如单样本 t 检验或 ANOVA。涉及离散分布和某些近似值的检验具有用于假设检验的有用 P 值，但 P 值通常不是均匀分布在区间$(0,1).$

下面是几个例子。显示的所有测试都是 R 中的标准测试，使用$符号“提取” P 值。直方图的代码仅在第一个示例中显示；除了标题之外，所有示例中的代码都是相同的。

Shapiro-Wilk 正态性检验： $H_0$ 为真，因为数据正常。1 附近的 P 值过多。

set.seed(1212)
pv = replicate(10^5,  shapiro.test(rnorm(20))$p.val)
mean(pv < .05)
[1] 0.04924
hist(pv, prob=T, col="skyblue2", main="Shapiro-Wilk Null P-values")
  curve(dunif(x), add=T, col="red", n=10001)

单样本 Wilcoxon 检验： $H_0$为真，因为抽样总体的中位数为 0。基于离散秩的检验统计量。

set.seed(1212)
pv = replicate(10^5,  wilcox.test(rnorm(20), mu=0)$p.val)
mean(pv < .05)
[1] 0.04905

二项式检验：离散检验统计量，$H_0$ 为真，因为$p = 1/2。$由于离散性，在 5% 水平上的检验不可用。

set.seed(1213)
pv = replicate(10^5,  
   binom.test(rbinom(1,20,.5), 20, p=.5, alt="two")$p.val)
mean(pv < .05)
[1] 0.04169

合并 2 样本 t 检验：由于方差不相等，未满足假设。$H_0$ true 因为意味着相等。此测试拒绝的次数超过 5%。（注意：在 R 中，默认的两个样本t.test是 Welch 检验；该参数var.eq=T调用一个合并检验。）

set.seed(1213)
pv = replicate(10^5, 
     t.test(rnorm(20,100,2), rnorm(10,100,20), var.eq=T)$p.val)
mean(pv < .05)
[1] 0.18476

Welch 2 样本 t 检验： P 值在 $(0,1) 上具有均匀分布连续检验统计量。假设满足。是的。从技术上讲，这是一个近似测试，但非常接近准确。$(0,1).$$H_0$

set.seed(1214)
pv = replicate(10^5, t.test(rnorm(20,100,2), 
     rnorm(10,100,20))$p.val)   
mean(pv < .05)
[1] 0.04939

参考： Murcoch DJ、Tsai YL、Adcock J：P 值是随机变量 (2008)，美国统计学家， 242-245，有几个直方图与此处显示的类似。本文包含一个早期的重点，如果不是第一个，将 P 值视为随机变量，使用蒙特卡罗模拟来获得它们在各种情况下的分布，以及在原假设下从连续测试统计中获得 P 值的标准均匀分布. 该论文中图 2 的标题是指“零假设下的 p 值直方图”。

同一期刊上的早期论文 Sackrowitz H & Samuel-Cahn E (1999)，P 值作为随机变量---预期 P 值，326-333，不包含此类直方图。

...这种类型的直方图/评估标称 p 值的方法有名称吗？

在（简单）零假设下，量的真实分布称为该量的零分布。p 值分布的蒙特卡罗模拟直方图没有具体名称。它通常会通过描述来命名：蒙特卡罗模拟 p 值的零分布的直方图。