aigroup-econ-mcp 1.4.3

专业计量经济学MCP工具 - 100%覆盖Stata核心功能，30+项专业分析工具，支持CSV/JSON/TXT/Excel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项功能覆盖

1. 基础与参数估计

解决建立变量间的基础参数化关系并进行估计的问题。

• 普通最小二乘法 (OLS)
• 最大似然估计 (MLE)
• 广义矩估计 (GMM)

2. 模型设定、诊断与稳健推断

当基础模型的理想假设不成立时，修正模型或调整推断；对模型进行诊断和选择。

• 稳健标准误（处理异方差/自相关）

• 广义最小二乘法 (GLS)

• 加权最小二乘法 (WLS)

• 岭回归/LASSO/弹性网络（处理多重共线性/高维数据）

• 联立方程模型（处理双向因果关系）

• 模型诊断：异方差检验（White、Breusch-Pagan）、自相关检验（Durbin-Watson、Ljung-Box）、正态性检验（Jarque-Bera）、多重共线性诊断（VIF）、内生性检验（Durbin-Wu-Hausman）、残差诊断、影响点分析

• 模型选择：信息准则（AIC/BIC/HQIC）、交叉验证（K折、留一法）、格兰杰因果检验

3. 因果识别策略

在非实验数据中，识别变量间的因果关系（解决内生性问题）。

• 工具变量法 (IV/2SLS)

• 控制函数法

• 面板数据模型（固定效应、随机效应、一阶差分、Hausman检验）

• 双重差分法 (DID)

• 三重差分法 (DDD)

• 事件研究法 (Event Study)

• 断点回归设计 (RDD)

• 合成控制法

• 匹配方法（倾向得分匹配PSM、协变量平衡、倾向得分加权IPW、熵平衡法）

• 效应分解与异质性：中介效应分析（Baron-Kenny、Bootstrap检验、Sobel检验）、调节效应分析（交互项回归）、处理效应异质性 (HTE)、条件平均处理效应 (CATE)、因果森林

• 稳健性检验：敏感性分析、Rosenbaum bounds、双重机器学习 (Double ML)

4. 特定数据类型建模

针对因变量或数据结构的固有特性进行建模。

微观离散与受限数据

因变量为分类、计数、截断等非连续情况。

• Logit/Probit
• 多项/有序/条件Logit
• 混合/嵌套Logit
• Tobit
• 泊松/负二项回归
• Heckman选择模型

时间序列与面板数据

分析具有时间维度数据的动态依赖、预测和非平稳性。

• ARIMA

• 指数平滑法

• VAR/SVAR

• GARCH

• 协整分析/VECM

• 面板VAR

• 平稳性与单位根检验：ADF检验、PP检验、KPSS检验

• 动态面板模型：Arellano-Bond估计（差分GMM）、Blundell-Bond估计（系统GMM）

• 结构突变检验：Chow检验、Quandt-Andrews检验、Bai-Perron检验（多重断点）

• 面板数据诊断：Hausman检验（FE vs RE）、F检验（Pooled vs FE）、LM检验（Pooled vs RE）、组内相关性检验

• 时变参数模型：门限模型/转换回归（TAR/STAR）、马尔科夫转换模型

生存/持续时间数据

分析"事件发生时间"数据并处理右删失。

• Kaplan-Meier估计量
• Cox比例风险模型
• 加速失效时间模型

5. 空间计量经济学

处理数据的空间依赖性和空间异质性。

• 空间权重矩阵构建（邻接、距离、K近邻矩阵）

• 空间自相关检验：Moran's I、Geary's C、局部空间自相关 (LISA)

• 空间回归模型：空间滞后模型 (SAR)、空间误差模型 (SEM)、空间杜宾模型 (SDM)、地理加权回归 (GWR)、空间面板数据模型

6. 非参数与半参数方法

放宽函数形式的线性或参数化假设，让数据本身驱动关系形态。

• 核回归
• 局部回归
• 样条回归
• 广义可加模型 (GAM)
• 部分线性模型
• 非参数工具变量估计

7. 分布分析与分解方法

分析因变量整个条件分布的特征，而非仅仅条件均值；对差异或变化进行分解。

• 分位数回归

• 分解方法：Oaxaca-Blinder分解、DiNardo-Fortin-Lemieux反事实分解、方差分解、ANOVA分解、Shapley值分解、时间序列分解（趋势-季节-随机）

8. 现代计算与机器学习

处理高维数据、复杂模式识别、预测以及为因果推断提供辅助工具。

• 监督学习：随机森林、梯度提升机 (GBM/XGBoost)、支持向量机 (SVM)、神经网络

• 无监督学习：聚类分析（K-means、层次聚类）

• 因果推断增强：双重机器学习 (Double ML)、因果森林 (Causal Forest)

9. 统计推断技术

在理论分布难以推导或模型复杂时，进行可靠的区间估计与假设检验。

• 重采样方法：自助法 (Bootstrap)、Pairs Bootstrap、Residual Bootstrap、Wild Bootstrap（异方差）、Block Bootstrap（时间序列/面板）、刀切法 (Jackknife)

• 模拟方法：蒙特卡洛模拟、置换检验 (Permutation Test)

• 渐近方法：Delta方法、聚类稳健推断

10. 缺失数据与测量误差

处理数据不完整或变量测量不准确的问题。

• 缺失数据处理：列表删除法、均值插补、回归插补、多重插补 (Multiple Imputation - MICE/Amelia)、期望最大化算法 (EM)

• 测量误差：工具变量法、SIMEX方法

🔧 完整工具列表 (30+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

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

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
• ⚙️ 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！