aigroup-econ-mcp 2.0.0

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

🎯 66项专业计量经济学分析工具 - 提供完整计量功能覆盖，支持CSV/JSON/TXT/Excel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": [
        "basic_parametric_estimation_ols", "basic_parametric_estimation_mle", "basic_parametric_estimation_gmm",
        "causal_difference_in_differences", "causal_instrumental_variables", "causal_propensity_score_matching",
        "causal_fixed_effects", "causal_random_effects", "causal_regression_discontinuity",
        "causal_synthetic_control", "causal_event_study", "causal_triple_difference",
        "causal_mediation_analysis", "causal_moderation_analysis", "causal_control_function",
        "causal_first_difference", "ml_random_forest", "ml_gradient_boosting",
        "ml_support_vector_machine", "ml_neural_network", "ml_kmeans_clustering",
        "ml_hierarchical_clustering", "ml_double_machine_learning", "ml_causal_forest",
        "micro_logit", "micro_probit", "micro_multinomial_logit",
        "micro_poisson", "micro_negative_binomial", "micro_tobit",
        "micro_heckman", "model_diagnostic_tests", "generalized_least_squares",
        "weighted_least_squares", "robust_errors_regression", "model_selection_criteria",
        "regularized_regression", "simultaneous_equations_model", "time_series_arima_model",
        "time_series_exponential_smoothing", "time_series_garch_model", "time_series_unit_root_tests",
        "time_series_var_svar_model", "time_series_cointegration_analysis", "panel_data_dynamic_model",
        "panel_data_diagnostics", "panel_var_model", "structural_break_tests",
        "time_varying_parameter_models"
      ]
    }
  }
}

✨ 核心功能 - 66项专业工具

1. 基础参数估计 (3项)

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) - basic_parametric_estimation_ols
• 最大似然估计 (MLE) - basic_parametric_estimation_mle
• 广义矩估计 (GMM) - basic_parametric_estimation_gmm

2. 因果识别策略 (13项)

在非实验数据中，识别变量间的因果关系（解决内生性问题）。

• 双重差分法 (DID) - causal_difference_in_differences
• 工具变量法 (IV/2SLS) - causal_instrumental_variables
• 倾向得分匹配 (PSM) - causal_propensity_score_matching
• 固定效应模型 - causal_fixed_effects
• 随机效应模型 - causal_random_effects
• 回归断点设计 (RDD) - causal_regression_discontinuity
• 合成控制法 - causal_synthetic_control
• 事件研究法 - causal_event_study
• 三重差分法 (DDD) - causal_triple_difference
• 中介效应分析 - causal_mediation_analysis
• 调节效应分析 - causal_moderation_analysis
• 控制函数法 - causal_control_function
• 一阶差分模型 - causal_first_difference

3. 分解分析 (3项)

分析变量差异的来源和构成。

• Oaxaca-Blinder分解 - decomposition_oaxaca_blinder
• 方差分解 (ANOVA) - decomposition_variance_anova
• 时间序列分解 - decomposition_time_series

4. 机器学习方法 (8项)

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。

• 随机森林 - ml_random_forest
• 梯度提升机 - ml_gradient_boosting
• 支持向量机 - ml_support_vector_machine
• 神经网络 - ml_neural_network
• K均值聚类 - ml_kmeans_clustering
• 层次聚类 - ml_hierarchical_clustering
• 双重机器学习 - ml_double_machine_learning
• 因果森林 - ml_causal_forest

5. 微观计量模型 (7项)

针对因变量或数据结构的固有特性进行建模。

• Logit模型 - micro_logit
• Probit模型 - micro_probit
• 多项Logit - micro_multinomial_logit
• 泊松回归 - micro_poisson
• 负二项回归 - micro_negative_binomial
• Tobit模型 - micro_tobit
• Heckman选择模型 - micro_heckman

6. 缺失数据处理 (2项)

处理数据缺失问题，保证分析的完整性。

• 简单插补 - missing_data_simple_imputation
• 多重插补 (MICE) - missing_data_multiple_imputation

7. 模型规范、诊断与稳健推断 (7项)

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。

• 模型诊断检验 - model_diagnostic_tests
• 广义最小二乘法 (GLS) - generalized_least_squares
• 加权最小二乘法 (WLS) - weighted_least_squares
• 稳健标准误回归 - robust_errors_regression
• 模型选择准则 - model_selection_criteria
• 正则化回归 - regularized_regression
• 联立方程模型 - simultaneous_equations_model

8. 非参数方法 (4项)

不依赖特定函数形式的灵活建模方法。

• 核回归 - nonparametric_kernel_regression
• 分位数回归 - nonparametric_quantile_regression
• 样条回归 - nonparametric_spline_regression
• 广义可加模型 (GAM) - nonparametric_gam_model

9. 空间计量经济学 (6项)

分析具有空间依赖性的数据。

• 空间权重矩阵 - spatial_weights_matrix
• Moran's I检验 - spatial_morans_i_test
• Geary's C检验 - spatial_gearys_c_test
• 局部Moran's I (LISA) - spatial_local_moran_lisa
• 空间回归模型 - spatial_regression_model
• 地理加权回归 (GWR) - spatial_gwr_model

10. 统计推断 (2项)

基于重采样的统计推断方法。

• Bootstrap方法 - inference_bootstrap
• 置换检验 - inference_permutation_test

11. 时间序列与面板数据 (11项)

分析具有时间维度数据的动态依赖、预测和非平稳性。

• ARIMA模型 - time_series_arima_model
• 指数平滑法 - time_series_exponential_smoothing
• GARCH波动率模型 - time_series_garch_model
• 单位根检验 - time_series_unit_root_tests
• VAR/SVAR模型 - time_series_var_svar_model
• 协整分析 - time_series_cointegration_analysis
• 动态面板模型 - panel_data_dynamic_model
• 面板数据诊断 - panel_data_diagnostics
• 面板VAR模型 - panel_var_model
• 结构突变检验 - structural_break_tests
• 时变参数模型 - time_varying_parameter_models

🔧 完整工具列表 (66项)

基础参数估计 (3项)

工具	功能	主要参数	输出
basic_parametric_estimation_ols	OLS回归分析	y_data, x_data, file_path	R²、系数、t统计量、p值、置信区间
basic_parametric_estimation_mle	最大似然估计	data, file_path, distribution	参数估计、标准误、置信区间
basic_parametric_estimation_gmm	广义矩估计	y_data, x_data, instruments	GMM系数、J统计量、p值

因果推断 (13项)

工具	功能	主要参数	输出
causal_difference_in_differences	双重差分法	treatment, time_period, outcome	处理效应、时间效应
causal_instrumental_variables	工具变量法	y_data, x_data, instruments	2SLS系数、弱工具检验
causal_propensity_score_matching	倾向得分匹配	treatment, outcome, covariates	处理效应、匹配统计
causal_fixed_effects	固定效应模型	y_data, x_data, entity_ids	R²、系数、F统计量
causal_random_effects	随机效应模型	y_data, x_data, entity_ids	R²、系数、随机效应方差
causal_regression_discontinuity	回归断点设计	running_variable, outcome, cutoff	局部平均处理效应
causal_synthetic_control	合成控制法	outcome, treatment_period, donor_units	合成权重、处理效应
causal_event_study	事件研究法	outcome, treatment, event_time	动态处理效应
causal_triple_difference	三重差分法	outcome, treatment_group, cohort_group	三重差分效应
causal_mediation_analysis	中介效应分析	outcome, treatment, mediator	直接效应、间接效应
causal_moderation_analysis	调节效应分析	outcome, predictor, moderator	交互效应、条件效应
causal_control_function	控制函数法	y_data, x_data, z_data	控制函数估计
causal_first_difference	一阶差分模型	y_data, x_data, entity_ids	差分系数、标准误

机器学习 (8项)

工具	功能	主要参数	输出
ml_random_forest	随机森林	X_data, y_data, problem_type	R²、特征重要性、预测精度
ml_gradient_boosting	梯度提升机	X_data, y_data, algorithm	R²、特征重要性、预测精度
ml_support_vector_machine	支持向量机	X_data, y_data, kernel	R²、支持向量、预测精度
ml_neural_network	神经网络	X_data, y_data, hidden_layer_sizes	R²、网络权重、预测精度
ml_kmeans_clustering	K均值聚类	X_data, n_clusters	聚类中心、簇标签、轮廓系数
ml_hierarchical_clustering	层次聚类	X_data, n_clusters, linkage	聚类树、簇标签
ml_double_machine_learning	双重机器学习	X_data, y_data, d_data	处理效应、置信区间
ml_causal_forest	因果森林	X_data, y_data, w_data	异质性处理效应、特征重要性

微观计量 (7项)

工具	功能	主要参数	输出
micro_logit	Logit回归	X_data, y_data	伪R²、系数、OR值、p值
micro_probit	Probit回归	X_data, y_data	伪R²、系数、边际效应、p值
micro_multinomial_logit	多项Logit	X_data, y_data	伪R²、系数、相对风险比
micro_poisson	泊松回归	X_data, y_data	伪R²、系数、发生率比
micro_negative_binomial	负二项回归	X_data, y_data, distr	伪R²、系数、过度离散参数
micro_tobit	Tobit模型	X_data, y_data, bounds	系数、边际效应、p值
micro_heckman	Heckman选择模型	X_select_data, Z_data, s_data	选择方程、结果方程系数

模型规范与诊断 (7项)

工具	功能	主要参数	输出
model_diagnostic_tests	模型诊断检验	y_data, x_data	异方差、自相关、正态性、VIF检验
generalized_least_squares	GLS回归	y_data, x_data, sigma	GLS系数、标准误、置信区间
weighted_least_squares	WLS回归	y_data, x_data, weights	WLS系数、权重统计
robust_errors_regression	稳健标准误	y_data, x_data, cov_type	稳健标准误、检验统计量
model_selection_criteria	模型选择	y_data, x_data, cv_folds	AIC、BIC、HQIC、交叉验证
regularized_regression	正则化回归	y_data, x_data, method	正则化系数、特征选择
simultaneous_equations_model	联立方程模型	y_data, x_data, instruments	2SLS系数、方程系统

时间序列与面板数据 (11项)

工具	功能	主要参数	输出
time_series_arima_model	ARIMA模型	data, order	模型系数、预测值、置信区间
time_series_exponential_smoothing	指数平滑	data, trend, seasonal	平滑参数、预测值
time_series_garch_model	GARCH模型	data, order	波动率参数、条件方差
time_series_unit_root_tests	单位根检验	data, test_type	检验统计量、平稳性判断
time_series_var_svar_model	VAR/SVAR模型	data, model_type, lags	系数矩阵、脉冲响应
time_series_cointegration_analysis	协整分析	data, analysis_type	协整向量、秩检验
panel_data_dynamic_model	动态面板模型	y_data, x_data, entity_ids	GMM系数、标准误
panel_data_diagnostics	面板诊断	test_type, residuals	Hausman检验、F检验、LM检验
panel_var_model	面板VAR模型	data, entity_ids, lags	面板VAR系数、脉冲响应
structural_break_tests	结构突变检验	data, test_type	断点检测、检验统计量
time_varying_parameter_models	时变参数模型	y_data, x_data, model_type	参数轨迹、机制转换

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

📁 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. Excel文件

• 格式: .xlsx 或 .xls
• 表头: 第一行作为变量名
• 工作表: 自动读取第一个工作表，或指定sheet名称
• 特点: 支持复杂数据结构，保留格式

# Excel文件示例结构
# Sheet1:
#   A列: GDP, B列: CPI, C列: 失业率
#   第1行: 3.2, 2.1, 4.5
#   第2行: 2.8, 2.3, 4.2
#   第3行: 3.5, 1.9, 4.0

4. TXT文件

• 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Excel文件：

{
  "file_path": "./data/panel_data.xlsx"
}

输出格式支持

所有工具支持多种输出格式，通过 output_format 参数指定：

• json (默认) - 结构化JSON格式，便于程序处理
• markdown - Markdown表格格式，适合文档展示
• html - HTML表格格式，适合网页展示
• latex - LaTeX表格格式，适合学术论文
• text - 纯文本格式，简洁易读

{
  "file_path": "./data/economic_data.csv",
  "output_format": "json"
}

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/.xlsx/.xls）
2. 文件内容特征（逗号、JSON结构、纯数值、Excel二进制）
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@1.4.3

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, xgboost >= 1.7.0, joblib >= 1.2.0
• 时间序列: arch >= 6.0.0
• 空间计量: libpysal >= 4.7.0, esda >= 2.4.0, spreg >= 1.4.0
• 可视化: matplotlib >= 3.5.0
• 轻量级: 无需torch或其他重型框架

📚 使用示例

示例1：OLS回归分析

# 使用文件路径
result = await basic_parametric_estimation_ols(
    file_path="./data/economic_indicators.csv"
)

# 使用直接数据输入
result = await basic_parametric_estimation_ols(
    y_data=[12, 13, 15, 18, 20],
    x_data=[[100, 50], [120, 48], [110, 52], [130, 45], [125, 47]],
    feature_names=["广告支出", "价格"]
)

示例2：因果推断 - 双重差分法

result = await causal_difference_in_differences(
    treatment=[0, 0, 1, 1],
    time_period=[0, 1, 0, 1],
    outcome=[10, 12, 11, 15],
    output_format="json"
)

示例3：机器学习 - 随机森林

result = await ml_random_forest(
    X_data=[[100, 50, 3], [120, 48, 3], [110, 52, 4], [130, 45, 3]],
    y_data=[12, 13, 15, 18],
    feature_names=["广告支出", "价格", "竞争对手数"],
    problem_type="regression",
    n_estimators=100
)

示例4：时间序列 - ARIMA模型

result = await time_series_arima_model(
    data=[100.5, 102.3, 101.8, 103.5, 104.2],
    order=(1, 1, 1),
    forecast_steps=5
)

示例5：微观计量 - Logit回归

result = await micro_logit(
    X_data=[[1.5, 2.5], [1.7, 2.7], [1.9, 2.9], [2.1, 3.1]],
    y_data=[0, 0, 1, 1],
    feature_names=["收入", "教育年限"]
)

🔍 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

核心模块结构

aigroup-econ-mcp/
├── econometrics/              # 核心计量经济学算法
│   ├── basic_parametric_estimation/    # 基础参数估计（3个模型）
│   ├── causal_inference/               # 因果推断（13个方法）
│   ├── advanced_methods/               # 机器学习（8个模型）
│   ├── specific_data_modeling/         # 微观+时序（18个模型）
│   └── model_specification_diagnostics_robust_inference/  # 模型规范（7个工具）
├── tools/                     # MCP工具适配器
│   ├── mcp_tool_groups/              # 工具组定义
│   │   ├── basic_parametric_tools.py         # 基础参数估计工具
│   │   ├── causal_inference_tools.py         # 因果推断工具
│   │   ├── machine_learning_tools.py         # 机器学习工具
│   │   ├── microecon_tools.py                # 微观计量工具
│   │   ├── model_specification_tools.py      # 模型规范工具
│   │   └── time_series_tools.py              # 时间序列工具
│   ├── data_loader.py                # 数据加载器
│   └── output_formatter.py           # 输出格式化
└── server.py                  # MCP服务器入口

设计特点

• 🎯 十一大工具组 - 基础参数估计(3) + 因果推断(13) + 分解分析(3) + 机器学习(8) + 微观计量(7) + 缺失数据处理(2) + 模型规范诊断(7) + 非参数方法(4) + 空间计量(6) + 统计推断(2) + 时序面板(11) = 66项工具
• 🔄 统一接口 - 所有工具支持CSV/JSON/TXT/Excel四种格式输入
• 📊 多格式输出 - 支持JSON/Markdown/TXT三种输出格式
• ⚡ 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（v1.4.3）

• 🎯 66项专业工具 - 完整覆盖计量经济学核心方法
• ✨ 11大工具组 - 基础参数估计(3) + 因果推断(13) + 分解分析(3) + 机器学习(8) + 微观计量(7) + 缺失数据处理(2) + 模型规范诊断(7) + 非参数方法(4) + 空间计量(6) + 统计推断(2) + 时序面板(11)
• 🔬 13种因果方法 - DID、IV、PSM、RDD、合成控制等完整因果推断工具链
• 📊 8种机器学习 - 随机森林、梯度提升、神经网络、聚类、因果森林等
• ⚙️ 7种微观模型 - Logit、Probit、Tobit、Heckman等离散选择和受限因变量模型
• 📈 11种时序模型 - ARIMA、GARCH、VAR、协整、动态面板等时间序列工具
• ✨ 多格式输入 - 支持CSV/JSON/TXT/Excel(.xlsx/.xls)四种输入格式
• 📊 多格式输出 - 支持JSON/Markdown/TXT三种输出格式
• 📝 完善参数描述 - 所有66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/Excel格式
• 📂 文件路径支持 - 支持直接传入文件路径（.txt/.csv/.json/.xlsx/.xls）

🤝 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

# 安装所有依赖（包括新添加的空间计量、生存分析等包）
uv sync

# 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 - 提供方法参考和实现指导
• 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⭐️

📈 工具统计

总计 66 项专业工具:

• 基础参数估计: 3项
• 因果推断: 13项
• 分解分析: 3项
• 机器学习: 8项
• 微观计量: 7项
• 缺失数据处理: 2项
• 模型规范诊断: 7项
• 非参数方法: 4项
• 空间计量: 6项
• 统计推断: 2项
• 时间序列与面板数据: 11项

---

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！66项专业工具，一站式解决方案！