我听说在零假设下，p 值分布应该是均匀的。然而，MATLAB 中的二项式检验模拟返回的均值大于 0.5（在本例中为 0.518）的均值分布非常不同：
coin = [0 1];
success_vec = nan(20000,1);
for i = 1:20000
success = 0;
for j = 1:200
success = success + coin(randperm(2,1));
end
success_vec(i) = success;
end
p_vec = binocdf(success_vec,200,0.5);
hist(p_vec);
试图改变我生成随机数的方式并没有帮助。我真的很感激这里的任何解释。
结果是值在下具有均匀分布适用于连续分布的测试统计信息 - 至少对于零点，就像你在这里一样。
正如 James Stanley 在评论中提到的那样，检验统计量的分布是离散的，因此该结果不适用。您的代码中可能根本没有错误（尽管我不会显示带有直方图的离散分布，但我倾向于显示 cdf 或 pmf，或者两者都显示更好）。
虽然实际上并不统一，但 p 值的 cdf 中的每次跳跃都会将其带到该行（我不知道它的名字，但它应该有一个名字，也许像“准制服”之类的东西）：
完全有可能准确地计算这个分布，而不是模拟 - 但我已经按照你的领导做了一个模拟（虽然比你的大）。
这样的分布不一定有均值 0.5，尽管作为在二项式增加中，步长 cdf 将更接近该线，平均值将接近 0.5。
p 值离散性的一个含义是，只有某些显着性水平是可实现的——这些显着性水平对应于零值下 p 值的实际总体 cdf 中的步高。所以例如你可以有一个接近 0.056 或接近 0.04，但不接近 0.05。