aigroup-econ-mcp 1.4.1

专业计量经济学MCP工具 - 100%覆盖Stata核心功能，50项专业分析工具，支持CSV/JSON/TXT格式，让大模型更智能地进行数据分析

aigroup-econ-mcp - 专业计量经济学MCP工具

🎯 100%覆盖Stata核心功能 - 提供50项专业计量经济学分析工具，支持CSV/JSON/TXT多种数据格式

📋 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、通义灵码、Claude code配置

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",
        "logit_regression", "probit_regression", "poisson_count_regression",
        "propensity_score_matching", "difference_in_differences",
        "instrumental_variables_regression", "data_cleaning", "data_merge",
        "reshape_to_long", "reshape_to_wide", "scatter_plot", "histogram_plot",
        "correlation_heatmap", "wls_regression", "gmm_estimation", "bootstrap_analysis"
      ]
    }
  }
}

✨ 核心功能 - 50项Stata功能全覆盖

📊 数据管理 (8项)

• 数据清洗 - 缺失值处理、异常值检测、数据标准化
• 数据合并 - 内连接、外连接、左连接、右连接
• 数据追加 - 纵向数据合并
• 宽转长 - reshape wide to long格式转换
• 长转宽 - reshape long to wide格式转换
• 生成变量 - 9种数学函数，支持复杂表达式
• 删除变量 - 选择性删除指定变量
• 保留变量 - 选择性保留指定变量

📈 描述性统计 (4项)

• 基本统计量 - 均值、方差、偏度、峰度、中位数、四分位数
• 假设检验 - t检验、F检验、卡方检验、ADF检验、KPSS检验
• 相关性分析 - Pearson、Spearman、Kendall相关系数
• 分布分析 - 正态性检验、分布拟合

🔬 基础计量模型 (4项)

• OLS回归 - 普通最小二乘法回归，完整诊断统计
• 正则化回归 - Lasso、Ridge回归，自动特征选择
• 模型诊断 - 残差分析、异方差检验、多重共线性检测
• 稳健标准误 - HC0-HC3多种稳健标准误计算

🏢 面板数据分析 (5项)

• 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 - Levin-Lin-Chu等多种检验方法
• 面板数据诊断 - 组内相关、异方差检验

⏰ 时间序列分析 (7项)

• 平稳性检验 - ADF、KPSS检验，趋势强度分析
• 自相关分析 - ACF、PACF函数计算和解释
• VAR模型 - 向量自回归模型，最优阶数选择
• VECM模型 - 向量误差修正模型，协整分析
• GARCH模型 - 波动率建模和预测
• 状态空间模型 - 卡尔曼滤波和平滑
• 方差分解 - 冲击响应方差分解分析

🎯 离散选择模型 (6项)

• Logit回归 - 二元选择模型，完整统计检验
• Probit回归 - 二元选择模型，正态分布假设
• 多项Logit - 多类别选择模型
• 有序选择模型 - 有序响应变量建模
• Tobit模型 - 受限因变量回归
• 泊松回归 - 计数数据回归分析

🔬 高级计量方法 (5项)

• 倾向得分匹配(PSM) - 因果推断，处理效应估计
• 双重差分法(DID) - 政策评估，因果效应识别
• 断点回归(RDD) - 准自然实验设计
• 分位数回归 - 条件分布分析
• 生存分析 - Cox比例风险模型

📊 可视化分析 (7项)

• 散点图 - 带回归线，相关性可视化
• 直方图 - 带密度曲线，分布可视化
• 箱线图 - 含离群值标识，分布比较
• 折线图 - 多系列支持，时间趋势分析
• 条形图 - 带数值标签，分类比较
• 相关矩阵热力图 - 彩色编码，相关性可视化
• 回归诊断图 - 4子图组合，模型诊断

⚙️ 其他功能 (4项)

• 工具变量法(IV/2SLS) - 内生性处理，弱工具变量检验
• 广义矩估计(GMM) - 过度识别检验，最优权重矩阵
• 加权最小二乘(WLS) - 3种权重类型，异方差修正
• Bootstrap推断 - 置信区间，统计推断

🔧 完整工具列表 (50项)

数据管理工具 (8项)

工具	功能	主要参数	输出
data_cleaning	数据清洗	data, handle_missing, handle_outliers	清洗后数据、处理统计
data_merge	数据合并	left_data, right_data, on, how	合并后数据、匹配统计
data_append	数据追加	data1, data2	纵向合并数据
reshape_to_long	宽转长	data, id_vars, value_vars	长格式数据
reshape_to_wide	长转宽	data, id_var, variable_col, value_col	宽格式数据
variable_generation	生成变量	data, expression	新变量数据
variable_dropping	删除变量	data, drop_vars	删除后数据
variable_keeping	保留变量	data, keep_vars	保留后数据

统计分析工具 (4项)

工具	功能	主要参数	输出
descriptive_statistics	描述性统计	data	均值、标准差、偏度、峰度、相关矩阵
hypothesis_testing	假设检验	data1, data2, test_type	统计量、p值、显著性判断
correlation_analysis	相关性分析	data, method	相关系数矩阵
distribution_analysis	分布分析	data, test_type	分布检验结果

基础计量工具 (4项)

工具	功能	主要参数	输出
ols_regression	OLS回归	y_data, x_data	R²、系数、t统计量、p值、置信区间
lasso_regression_analysis	Lasso回归	y_data, x_data, alpha	R²、稀疏系数、特征选择
ridge_regression_analysis	Ridge回归	y_data, x_data, alpha	R²、正则化系数
robust_regression	稳健标准误	y_data, x_data, robust_type	稳健标准误、检验统计量

面板数据工具 (5项)

工具	功能	主要参数	输出
panel_fixed_effects	固定效应模型	y_data, x_data, entity_ids, time_periods	R²、系数、F统计量
panel_random_effects	随机效应模型	y_data, x_data, entity_ids, time_periods	R²、系数、随机效应方差
panel_hausman_test	Hausman检验	y_data, x_data, entity_ids, time_periods	检验统计量、模型选择建议
panel_unit_root_test	面板单位根	data, entity_ids, time_periods, test_type	平稳性判断、临界值
panel_diagnostics	面板诊断	data, entity_ids, time_periods	组内相关、异方差检验

时间序列工具 (7项)

工具	功能	主要参数	输出
time_series_analysis	时间序列分析	data	平稳性检验、ACF/PACF、模型建议
var_model_analysis	VAR模型	data, max_lags, ic	最优阶数、系数、脉冲响应
vecm_model_analysis	VECM模型	data, coint_rank, max_lags	协整向量、误差修正项
garch_model_analysis	GARCH模型	data, order, dist	波动率持续性、条件方差
state_space_model_analysis	状态空间模型	data, state_dim, trend	滤波状态、平滑状态估计
variance_decomposition_analysis	方差分解	data, periods, max_lags	各变量贡献度分解
time_series_forecasting	时间序列预测	data, model_type, periods	预测值、置信区间

离散选择工具 (6项)

工具	功能	主要参数	输出
logit_regression	Logit回归	y_data, x_data	伪R²、系数、OR值、p值
probit_regression	Probit回归	y_data, x_data	伪R²、系数、边际效应、p值
multinomial_logit_regression	多项Logit	y_data, x_data	伪R²、系数、相对风险比
ordered_choice_regression	有序选择	y_data, x_data	伪R²、系数、切点估计
tobit_regression	Tobit模型	y_data, x_data, censoring_point	系数、边际效应、p值
poisson_count_regression	泊松回归	y_data, x_data	伪R²、系数、发生率比

高级计量工具 (5项)

工具	功能	主要参数	输出
propensity_score_matching	PSM	treatment, covariates, outcome	处理效应、匹配统计
difference_in_differences	DID	treatment, time_period, outcome	处理效应、时间效应
regression_discontinuity_analysis	RDD	running_var, outcome, cutoff	局部平均处理效应
quantile_regression_analysis	分位数回归	y_data, x_data, quantiles	分位数系数、置信区间
survival_analysis_cox	生存分析	time, event, covariates	风险比、系数、p值

可视化工具 (7项)

工具	功能	主要参数	输出
scatter_plot	散点图	x_data, y_data, add_regression_line	散点图图像
histogram_plot	直方图	data, bins, show_density	直方图图像
box_plot	箱线图	data, labels	箱线图图像
line_plot	折线图	data, labels, title	折线图图像
bar_plot	条形图	data, labels, title	条形图图像
correlation_heatmap	相关矩阵热力图	data, method	热力图图像
regression_diagnostics	回归诊断图	y_data, x_data	诊断图组合

其他高级工具 (4项)

工具	功能	主要参数	输出
iv_regression_2sls	工具变量法	y_data, x_data, instruments	2SLS系数、弱工具检验
gmm_regression	广义矩估计	y_data, x_data, instruments	GMM系数、过度识别检验
wls_regression	加权最小二乘	y_data, x_data, weights	WLS系数、权重统计
bootstrap_analysis	Bootstrap推断	data, statistic_func, n_bootstrap	置信区间、统计量分布

注意: 所有工具均支持CSV/JSON/TXT格式输入，可通过file_path、file_content或直接数据参数调用。

📁 文件输入支持

支持的文件格式

1. CSV文件（推荐）

• 格式: 逗号、制表符、分号分隔
• 表头: 自动识别（第一行非数值为表头）
• 特点: 最通用，易于编辑和查看

GDP,CPI,失业率
3.2,2.1,4.5
2.8,2.3,4.2
3.5,1.9,4.0

2. JSON文件

• 字典格式: {"变量名": [数据], ...}
• 数组格式: [{"变量1": 值, ...}, ...]
• 嵌套格式: {"data": {...}, "metadata": {...}}

{
  "GDP": [3.2, 2.8, 3.5],
  "CPI": [2.1, 2.3, 1.9],
  "失业率": [4.5, 4.2, 4.0]
}

3. TXT文件（新增✨）

• 单列数值: 每行一个数值

100.5
102.3
101.8
103.5

• 多列数值: 空格或制表符分隔

GDP CPI 失业率
3.2 2.1 4.5
2.8 2.3 4.2
3.5 1.9 4.0

• 键值对格式: 变量名: 值列表

GDP: 3.2 2.8 3.5 2.9
CPI: 2.1 2.3 1.9 2.4
失业率: 4.5 4.2 4.0 4.3

使用方式

方式1：直接数据输入（程序化调用）

{
  "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：文件内容输入（字符串）

{
  "file_content": "GDP,CPI\n3.2,2.1\n2.8,2.3\n3.5,1.9",
  "file_format": "csv"
}

方式3：文件路径输入（推荐✨）

{
  "file_path": "./data/economic_data.csv"
}

或使用TXT文件：

{
  "file_path": "./data/timeseries.txt",
  "file_format": "txt"
}

自动格式检测

系统会智能检测文件格式：

1. 文件扩展名（.csv/.json/.txt）
2. 文件内容特征（逗号、JSON结构、纯数值）
3. 建议使用 "file_format": "auto" 让系统自动识别

⚙️ 安装配置

跨平台兼容性

✅ 完全跨平台支持 - 支持 Windows、macOS、Linux 系统 ✅ 纯Python实现 - 无平台特定依赖 ✅ ARM架构支持 - 兼容 Apple Silicon (M1/M2/M3)

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@1.3.3

方式2：pip安装

# 安装包
pip install aigroup-econ-mcp

# 运行服务
aigroup-econ-mcp

macOS 特定说明

# 如果遇到权限问题，使用用户安装
pip install --user aigroup-econ-mcp

# 或者使用虚拟环境
python -m venv econ_env
source econ_env/bin/activate
pip install aigroup-econ-mcp

依赖说明

• 核心依赖: pandas >= 1.5.0, numpy >= 1.21.0, scipy >= 1.7.0
• 统计分析: statsmodels >= 0.13.0
• 面板数据: linearmodels >= 7.0
• 机器学习: scikit-learn >= 1.0.0
• 时间序列: arch >= 6.0.0
• 轻量级: 无需torch或其他重型框架

📚 使用示例

示例1：描述性统计（CSV文件）

# 方式A：使用文件路径
result = await descriptive_statistics(
    file_path="./data/economic_indicators.csv"
)

# 方式B：使用文件内容
result = await descriptive_statistics(
    file_content="""GDP,CPI,失业率
3.2,2.1,4.5
2.8,2.3,4.2
3.5,1.9,4.0""",
    file_format="csv"
)

示例2：回归分析（TXT文件）

# TXT文件格式（空格分隔）
result = await ols_regression(
    file_content="""广告支出 价格 销售额
100 50 1200
120 48 1350
110 52 1180""",
    file_format="txt"
)

# 系统会自动识别：
# - 因变量：销售额（最后一列）
# - 自变量：广告支出、价格（其他列）

示例3：时间序列分析

# TXT单列格式
result = await time_series_analysis(
    file_content="""100.5
102.3
101.8
103.5
104.2""",
    file_format="txt"
)

# 输出包括：
# - 平稳性检验结果
# - ACF/PACF分析
# - 模型建议（ARIMA/AR/MA）

示例4：面板数据（CSV文件）

# CSV面板数据格式
result = await panel_fixed_effects(
    file_path="./panel_data.csv"
)

# CSV格式要求：
# company_id, year, revenue, employees, investment
# 1, 2020, 1000, 50, 100
# 1, 2021, 1100, 52, 110
# ...

# 系统会自动识别：
# - entity_ids: company_id列
# - time_periods: year列
# - 数据变量：其他列

示例5：机器学习（带完整参数）

# 随机森林回归
result = await random_forest_regression_analysis(
    y_data=[12, 13, 15, 18, 20],
    x_data=[
        [100, 50, 3],
        [120, 48, 3],
        [110, 52, 4],
        [130, 45, 3],
        [125, 47, 4]
    ],
    feature_names=["广告支出", "价格", "竞争对手数"],
    n_estimators=100,
    max_depth=5
)

# 输出包括：
# - R² 得分
# - 特征重要性排名
# - 预测精度指标

🔍 故障排除

常见问题

Q: uvx安装卡住

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

Q: 工具返回错误

• ✅ 检查数据格式（CSV/JSON/TXT）
• ✅ 确保没有缺失值（NaN）
• ✅ 验证数据类型（所有数值必须是浮点数）
• ✅ 查看详细错误信息

Q: MCP服务连接失败

• ✅ 检查网络连接
• ✅ 确保Python版本 >= 3.8
• ✅ 查看VSCode输出面板的详细日志
• ✅ 尝试重启RooCode

数据要求

分析类型	最小样本量	推荐样本量	特殊要求
描述性统计	5	20+	无缺失值
OLS回归	变量数+2	30+	无多重共线性
时间序列	10	40+	时间顺序，等间隔
面板数据	实体数×3	实体数×10+	平衡或非平衡面板
机器学习	20	100+	训练集/测试集分割

🏗️ 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            # 统计分析工具
    ├── regression.py            # 回归分析工具
    ├── time_series.py           # 时间序列工具
    ├── panel_data.py            # 面板数据工具
    ├── machine_learning.py      # 机器学习工具
    ├── file_parser.py           # 文件解析器（CSV/JSON/TXT）
    ├── data_loader.py           # 数据加载器
    ├── tool_registry.py         # 工具注册中心
    ├── tool_handlers.py         # 业务处理器
    ├── tool_descriptions.py     # 工具描述和文档
    ├── discrete_choice.py       # 离散选择模型（新增）
    ├── advanced_econometrics.py # 高级计量方法（新增）
    ├── data_management.py       # 数据管理工具（新增）
    ├── visualization.py         # 可视化工具（新增）
    └── advanced_regression.py   # 高级回归方法（新增）

设计特点

• 🎯 组件化架构 - 模块化设计，职责单一，易于维护和扩展
• 🔄 统一接口 - 所有工具支持CSV/JSON/TXT三种格式输入
• ⚡ 异步处理 - 基于asyncio的异步设计，支持并发请求
• 🛡️ 错误处理 - 统一的错误处理和详细的错误信息
• 📝 完整文档 - 每个工具都有详细的参数说明和使用示例
• 🧪 全面测试 - 单元测试和集成测试覆盖

新增特性（v1.4.0）

• 🎯 100% Stata功能覆盖 - 完整实现50项Stata核心功能
• ✨ 离散选择模型 - Logit、Probit、多项Logit、有序选择、Tobit、泊松回归
• 🔬 高级计量方法 - PSM、DID、RDD、分位数回归、生存分析
• 📊 数据管理工具 - 清洗、合并、追加、宽转长、长转宽、变量操作
• 📈 可视化分析 - 7种专业图表，支持回归诊断
• ⚙️ 高级回归方法 - IV/2SLS、GMM、WLS、Bootstrap、稳健标准误
• ✨ TXT格式支持 - 支持单列、多列、键值对三种TXT格式
• 📝 完善参数描述 - 所有50个工具的MCP参数都有详细说明
• 🔍 智能格式检测 - 自动识别CSV/JSON/TXT格式
• 📂 文件路径支持 - 支持直接传入文件路径（.txt/.csv/.json）

🤝 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 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启Pull Request

代码规范

• 遵循PEP 8编码规范
• 使用类型注解（Type Hints）
• 添加单元测试（覆盖率>80%）
• 更新相关文档和示例

📄 许可证

MIT License - 查看 LICENSE 文件了解详情

🙏 致谢

• Model Context Protocol (MCP) - 模型上下文协议框架
• Roo-Code - 强大的AI编程助手
• statsmodels - 专业的统计分析库
• pandas - 高效的数据处理库
• scikit-learn - 全面的机器学习库
• linearmodels - 面板数据分析专用库
• 计量经济学社区 - 提供Stata功能参考和实现指导
• 开源社区 - 所有依赖库的开发者们

📞 支持

• 💬 GitHub Issues: 提交问题
• 📧 邮箱: [e-mail]
• 📚 文档: 查看详细文档
• 🌟 Star项目: 如果觉得有用，请给个⭐️

📈

---

立即开始: uvx aigroup-econ-mcp 🚀

让AI大模型成为你的专业计量经济学分析助手！50项Stata功能，一站式解决方案！