在给定协变量条件下高维网络分位数关联的错误发现率控制

受基因共表达模式分析的启发，我们提出了一种新颖的基于样本分位数的列联（squac）统计量，用于推断在给定协变量条件下的分位数关联。其特点在于，在处理具有任意分布的变量以及在给定协变量条件下的复杂关联模式时具有更强的灵活性。我们首先推导了其渐近零分布，然后基于 squac 开发了一种多重检验程序，以同时对所有 $p(p-1)/2$ 对变量在给定协变量条件下的独立性进行检验。这里，$p$ 是结果的长度，且可以超过样本量。该检验程序不需要重采样或扰动，因此计算效率高。我们通过理论和数值实验证明，该检验方法渐近地控制错误发现率（FDR）。当存在复杂关联模式时，它优于所有替代方法。应用于胃癌数据时，该检验方法成功推断出了早期和晚期患者的基因共表达网络。它识别出了网络中更多与癌症生存相关的变化。我们将方法扩展到结果长度和协变量长度均超过样本量的情况，并证明渐近理论依然成立。