aigroup-econ-mcp 1.1.0

专业计量经济学MCP工具 - 让大模型直接进行数据分析（新增TXT格式文件支持，支持CSV/JSON/TXT三种格式输入）

aigroup-econ-mcp - 专业计量经济学MCP工具

🎯 专为Roo-Code设计的计量经济学MCP服务 - 提供统计分析、回归建模、时间序列分析，无需复杂环境配置

📋 目录

• 🚀 快速开始
• ✨ 核心功能
• 🔧 工具列表
• 📁 文件输入支持
• ⚙️ 安装配置
• 📚 使用示例
• 🔍 故障排除
• 🏗️ 项目架构
• 🤝 贡献指南
• 📄 许可证

🚀 快速开始

一键启动（推荐）

# 使用uvx快速启动（无需安装）
uvx aigroup-econ-mcp

Roo-Code配置

在RooCode的MCP设置中添加：

{
  "mcpServers": {
    "aigroup-econ-mcp": {
      "command": "uvx",
      "args": ["aigroup-econ-mcp"],
      "alwaysAllow": [
        "descriptive_statistics", "ols_regression", "hypothesis_testing",
        "time_series_analysis", "correlation_analysis", "panel_fixed_effects",
        "panel_random_effects", "panel_hausman_test", "panel_unit_root_test",
        "var_model_analysis", "vecm_model_analysis", "garch_model_analysis",
        "state_space_model_analysis", "variance_decomposition_analysis",
        "random_forest_regression_analysis", "gradient_boosting_regression_analysis",
        "lasso_regression_analysis", "ridge_regression_analysis",
        "cross_validation_analysis", "feature_importance_analysis_tool"
      ]
    }
  }
}

✨ 核心功能

📊 统计分析

• 描述性统计 - 均值、方差、偏度、峰度等
• 假设检验 - t检验、F检验、卡方检验、ADF检验
• 相关性分析 - Pearson、Spearman、Kendall相关系数

📈 回归建模

• OLS回归 - 普通最小二乘法回归分析
• 正则化回归 - Lasso、Ridge回归
• 模型诊断 - 残差分析、异方差检验

⏰ 时间序列分析

• 平稳性检验 - ADF、KPSS检验
• ARIMA建模 - 自动定阶和参数估计
• VAR/VECM模型 - 向量自回归/误差修正模型
• GARCH模型 - 波动率建模

🏢 面板数据分析

• 固定效应模型 - 控制个体/时间固定效应
• 随机效应模型 - 处理随机效应
• Hausman检验 - 模型选择检验
• 面板单位根检验 - 面板数据平稳性分析

🤖 机器学习集成

• 随机森林 - 非线性关系建模
• 梯度提升 - 高精度预测
• 特征重要性 - 变量选择分析
• 交叉验证 - 模型性能评估

🔧 工具列表

基础统计工具

工具	功能	输入方式
descriptive_statistics	描述性统计分析	数据字典/CSV/JSON
ols_regression	OLS回归分析	y_data, x_data/CSV/JSON
hypothesis_testing	假设检验	data1, data2/CSV/JSON
correlation_analysis	相关性分析	数据字典/CSV/JSON

时间序列工具

工具	功能	输入方式
time_series_analysis	时间序列分析	时间序列数据/CSV/JSON
var_model_analysis	VAR模型分析	多变量时间序列/CSV/JSON
vecm_model_analysis	VECM模型分析	多变量时间序列/CSV/JSON
garch_model_analysis	GARCH模型分析	时间序列数据/CSV/JSON
state_space_model_analysis	状态空间模型	时间序列数据/CSV/JSON
variance_decomposition_analysis	方差分解	多变量时间序列/CSV/JSON

面板数据工具

工具	功能	输入方式
panel_fixed_effects	固定效应模型	y_data, x_data, entity_ids, time_periods/CSV
panel_random_effects	随机效应模型	y_data, x_data, entity_ids, time_periods/CSV
panel_hausman_test	Hausman检验	y_data, x_data, entity_ids, time_periods/CSV
panel_unit_root_test	面板单位根检验	面板数据/CSV

机器学习工具

工具	功能	输入方式
random_forest_regression_analysis	随机森林回归	y_data, x_data/CSV/JSON
gradient_boosting_regression_analysis	梯度提升回归	y_data, x_data/CSV/JSON
lasso_regression_analysis	Lasso回归	y_data, x_data/CSV/JSON
ridge_regression_analysis	Ridge回归	y_data, x_data/CSV/JSON
cross_validation_analysis	交叉验证	y_data, x_data/CSV/JSON
feature_importance_analysis_tool	特征重要性	y_data, x_data/CSV/JSON

📁 文件输入支持

支持的文件格式

• CSV文件 - 自动解析表头和数值数据
• JSON文件 - 支持标准JSON数据格式
• 自动检测 - 智能识别文件格式和数据类型

使用方式

方式1：直接数据输入（传统方式）

{
  "data": {
    "GDP增长率": [3.2, 2.8, 3.5, 2.9],
    "通货膨胀率": [2.1, 2.3, 1.9, 2.4]
  }
}

方式2：CSV文件输入（推荐）

{
  "file_content": "GDP增长率,通货膨胀率\n3.2,2.1\n2.8,2.3\n3.5,1.9\n2.9,2.4",
  "file_format": "csv"
}

方式3：文件路径输入

{
  "file_path": "./test_data.csv",
  "file_format": "auto"
}

⚙️ 安装配置

方式1：uvx安装（推荐）

# 直接运行最新版本
uvx aigroup-econ-mcp

# 指定版本
uvx aigroup-econ-mcp@0.4.0

方式2：pip安装

# 安装包
pip install aigroup-econ-mcp

# 运行服务
aigroup-econ-mcp

依赖说明

• 核心依赖: pandas, numpy, scipy, statsmodels, matplotlib
• 扩展依赖: linearmodels, scikit-learn, arch
• 轻量级: 无需torch或其他重型依赖

📚 使用示例

基础统计分析

# 描述性统计
result = await descriptive_statistics(
    data={
        "GDP增长率": [3.2, 2.8, 3.5, 2.9],
        "通货膨胀率": [2.1, 2.3, 1.9, 2.4]
    }
)

回归分析

# OLS回归
result = await ols_regression(
    y_data=[10, 12, 15, 18, 20],
    x_data=[[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
    feature_names=["广告支出", "价格"]
)

文件输入分析

# 使用CSV文件
result = await descriptive_statistics(
    file_content="变量1,变量2\n1.2,3.4\n2.3,4.5\n3.4,5.6",
    file_format="csv"
)

🔍 故障排除

常见问题

uvx安装卡住

# 清除缓存重试
uvx --no-cache aigroup-econ-mcp

工具返回错误

• 检查数据格式是否正确
• 确保没有缺失值
• 查看详细错误信息

MCP服务连接失败

• 检查网络连接
• 确保Python版本>=3.8
• 查看详细错误日志

数据要求

• 样本量: 建议至少20个观测点
• 数据类型: 所有变量必须为数值型
• 缺失值: 自动处理或报错提示

🏗️ 项目架构

模块结构

src/aigroup_econ_mcp/
├── server.py                    # MCP服务器核心
├── cli.py                       # 命令行入口
├── config.py                    # 配置管理
└── tools/                       # 工具模块
    ├── base.py                  # 基础工具类
    ├── statistics.py            # 统计分析
    ├── regression.py            # 回归分析
    ├── time_series.py           # 时间序列
    ├── panel_data.py            # 面板数据
    ├── machine_learning.py      # 机器学习
    ├── file_parser.py           # 文件解析
    ├── data_loader.py           # 数据加载
    ├── decorators.py            # 装饰器
    ├── tool_registry.py         # 工具注册
    └── tool_handlers.py         # 业务处理器

设计特点

• 组件化架构 - 模块化设计，易于维护
• 统一接口 - 所有工具支持文件输入
• 错误处理 - 统一的错误处理和日志记录
• 性能优化 - 异步处理和缓存机制

🤝 贡献指南

开发环境设置

# 克隆项目
git clone https://github.com/jackdark425/aigroup-econ-mcp
cd aigroup-econ-mcp

# 安装开发依赖
uv add --dev pytest pytest-asyncio black isort mypy ruff

# 运行测试
uv run pytest

# 代码格式化
uv run black src/
uv run isort src/

提交贡献

1. Fork项目
2. 创建功能分支
3. 提交更改
4. 开启Pull Request

代码规范

• 遵循PEP 8编码规范
• 使用类型注解
• 添加单元测试
• 更新相关文档

📄 许可证

MIT License - 查看 LICENSE 文件了解详情

🙏 致谢

• Model Context Protocol (MCP) - 模型上下文协议
• Roo-Code - AI编程助手
• statsmodels - 统计分析库
• pandas - 数据处理库
• scikit-learn - 机器学习库
• linearmodels - 面板数据分析库

📞 支持

• 💬 GitHub Issues
• 📧 邮箱：[e-mail]
• 📚 文档：查看项目文档和示例

---

立即开始: uvx aigroup-econ-mcp 🚀