另一种方法是：

library(MASS)       #load MASS library

    s <- 4*diag(2500)   #create the variance matrix for the simulation
    set.seed(123)        # seed to replicate results

    x <- mvrnorm( 50, m= rep(25,times=2500), Sigma=s)  #draw 50 values, 25000 times 

    y <- mvrnorm( 50, m = rep(25, times=2500), Sigma=s) #draw 50 values, 2500 times

    diff <- x - y

    test <- apply(diff,2,t.test) #do the t.tests

    names(test) #some of the results you can print

如果你对代码有疑问，可以问我。

另一种可能性是使用replicate：
请注意，您必须在函数外部设置随机种子。

myfun <- function(){
  x <- rnorm(50, 25, 4)
  y <- rnorm(50, 25, 4)

  return(t.test(x, y)$p.value)
}

set.seed(1)
p_vals <- replicate(2500, myfun())

您可以使用sapply()函数多次计算t检验的p值，而无需使用循环。
下面是一个示例：

set.seed(1081)
my.t.test <- function() {
  x <- rnorm(50, 25, 4)
  y <- rnorm(50, 25, 4)
  t.test(x, y)$p.value
}
p.values <- sapply(1:2500, function(i) my.t.test())
p.values

我们在这里使用sapply()来执行2500次t检验。我更喜欢数字向量，这就是为什么我使用sapply()。如果你喜欢将p值存储在列表中，你可以使用lapply()函数，它返回一个列表。你提到你的p值都是一样的。也许你是在函数内部设置种子？

又一种可能性是：

set.seed(1081)
n <- 50
times <- 2500
x <- data.frame(matrix(rnorm(n*times, mean=25, sd=4), nrow=n))
y <- data.frame(matrix(rnorm(n*times, mean=25, sd=4), nrow=n))
pvals <- mapply(FUN = function(x,y) t.test(x,y)$p.value, x, y)
mean(pvals < .05)  # should be ~= .05

Loop simultaneously over two lists in R（jogo的评论）
但如果我们从字面上理解“每次重复都应该生成新样本”，@Cettt的答案可能就是我们想要的。