aigroup-econ-mcp 0.1.0__py3-none-any.whl → 0.1.2__py3-none-any.whl

aigroup_econ_mcp/__init__.py

@@ -10,7 +10,7 @@ AIGroup 计量经济学 MCP 服务
 - 模型诊断
 """
 
-__version__ = "0.1.0"
+__version__ = "0.1.2"
 __author__ = "AIGroup"
 __description__ = "专业计量经济学MCP工具 - 让大模型直接进行数据分析"
 

aigroup_econ_mcp/cli.py

@@ -2,21 +2,32 @@
 AIGroup 计量经济学 MCP 服务命令行入口
 """
 
+import sys
 import click
-import uvicorn
 from .server import create_mcp_server
 
 
 @click.command()
 @click.option('--port', default=8000, help='服务器端口')
 @click.option('--host', default='127.0.0.1', help='服务器地址')
-@click.option('--transport', default='streamable-http',
+@click.option('--transport', default='stdio',
               type=click.Choice(['stdio', 'streamable-http', 'sse']),
-              help='传输协议')
+              help='传输协议 (默认: stdio)')
 @click.option('--debug', is_flag=True, help='启用调试模式')
 @click.option('--mount-path', default=None, help='挂载路径')
-def main(port: int, host: str, transport: str, debug: bool, mount_path: str):
-    """启动aigroup-econ-mcp服务器"""
+@click.option('--version', is_flag=True, help='显示版本信息')
+def cli(port: int, host: str, transport: str, debug: bool, mount_path: str, version: bool):
+    """AIGroup 计量经济学 MCP 工具
+    
+    默认以stdio模式启动MCP服务器，适用于MCP客户端集成。
+    """
+    
+    # 处理版本标志
+    if version:
+        click.echo("aigroup-econ-mcp v0.1.0", err=True)
+        click.echo("Professional econometrics MCP tool", err=True)
+        click.echo("Author: AIGroup", err=True)
+        sys.exit(0)
 
     # 创建MCP服务器
     mcp_server = create_mcp_server()
@@ -24,29 +35,41 @@ def main(port: int, host: str, transport: str, debug: bool, mount_path: str):
     # 设置调试模式
     if debug:
         mcp_server.settings.debug = True
-        click.echo(f"[DEBUG] 调试模式已启用")
-
-    click.echo(f"[INFO] Starting aigroup-econ-mcp server")
-    click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis")
-    click.echo(f"[INFO] Transport protocol: {transport}")
-    click.echo(f"[INFO] Service address: http://{host}:{port}")
-    if mount_path:
-        click.echo(f"[INFO] Mount path: {mount_path}")
+        click.echo(f"[DEBUG] 调试模式已启用", err=True)
 
     # 根据传输协议启动服务器
     if transport == 'stdio':
-        # stdio模式直接运行
+        # stdio模式直接运行，不输出任何日志到stdout（MCP协议通信）
+        # 所有日志输出到stderr
+        if debug:
+            click.echo(f"[DEBUG] Starting in stdio mode", err=True)
         mcp_server.run(transport='stdio')
+        
     elif transport == 'streamable-http':
         # Streamable HTTP模式
+        click.echo(f"[INFO] Starting aigroup-econ-mcp server", err=True)
+        click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis", err=True)
+        click.echo(f"[INFO] Transport protocol: {transport}", err=True)
+        click.echo(f"[INFO] Service address: http://{host}:{port}", err=True)
+        if mount_path:
+            click.echo(f"[INFO] Mount path: {mount_path}", err=True)
+            
         mcp_server.run(
             transport='streamable-http',
             host=host,
             port=port,
             mount_path=mount_path or '/mcp'
         )
+        
     elif transport == 'sse':
         # SSE模式
+        click.echo(f"[INFO] Starting aigroup-econ-mcp server", err=True)
+        click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis", err=True)
+        click.echo(f"[INFO] Transport protocol: {transport}", err=True)
+        click.echo(f"[INFO] Service address: http://{host}:{port}", err=True)
+        if mount_path:
+            click.echo(f"[INFO] Mount path: {mount_path}", err=True)
+            
         mcp_server.run(
             transport='sse',
             host=host,
@@ -55,24 +78,5 @@ def main(port: int, host: str, transport: str, debug: bool, mount_path: str):
         )
 
 
-@click.command()
-def version():
-    """Show version information"""
-    click.echo("aigroup-econ-mcp v0.1.0")
-    click.echo("Professional econometrics MCP tool")
-    click.echo("Author: AIGroup")
-
-
-@click.group()
-def cli():
-    """AIGroup 计量经济学 MCP 工具"""
-    pass
-
-
-# 添加子命令
-cli.add_command(main)
-cli.add_command(version)
-
-
 if __name__ == "__main__":
     cli()

aigroup_econ_mcp/server.py

@@ -11,6 +11,7 @@ from dataclasses import dataclass
 import pandas as pd
 import numpy as np
 import statsmodels.api as sm
+from statsmodels.tsa import stattools
 from scipy import stats
 from pydantic import BaseModel, Field
 
@@ -151,12 +152,54 @@ def economic_analysis_prompt(data_description: str, analysis_type: str = "descri
 @mcp.tool()
 async def descriptive_statistics(
     ctx: Context[ServerSession, AppContext],
-    data: Dict[str, List[float]]
+    data: Annotated[
+        Dict[str, List[float]],
+        Field(
+            description="""数据字典，格式为 {变量名: [数值列表]}
+            
+示例格式：
+{
+    "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],
+    "失业率": [4.5, 4.2, 4.0, 4.3]
+}
+
+要求：
+- 至少包含一个变量
+- 每个变量的数据点数量应相同
+- 数值必须为浮点数或整数
+- 建议样本量 >= 30 以获得可靠的统计推断"""
+        )
+    ]
 ) -> Annotated[CallToolResult, DescriptiveStatsResult]:
     """计算描述性统计量
+    
+    📊 功能说明：
+    对输入数据进行全面的描述性统计分析，包括集中趋势、离散程度、分布形状等指标。
+    
+    📈 输出指标：
+    - 样本数量 (count)
+    - 均值 (mean)：数据的平均水平
+    - 标准差 (std)：数据的离散程度
+    - 最小值/最大值 (min/max)：数据的取值范围
+    - 中位数 (median)：数据的中间值，对异常值不敏感
+    - 偏度 (skewness)：分布的对称性，0表示对称，>0右偏，<0左偏
+    - 峰度 (kurtosis)：分布的尖峭程度，0表示正态分布
+    - 相关系数矩阵：变量间的线性相关关系
+    
+    💡 使用场景：
+    - 初步了解数据的分布特征
+    - 检查数据质量和异常值
+    - 为后续建模提供基础信息
+    - 比较不同变量的统计特征
+    
+    ⚠️ 注意事项：
+    - 偏度绝对值 > 1 表示数据明显偏斜，可能需要转换
+    - 峰度绝对值 > 3 表示尖峭或扁平分布
+    - 相关系数 > 0.8 表示强相关，可能存在多重共线性
 
     Args:
-        data: 字典格式的数据，键为变量名，值为数值列表
+        data: 数据字典，键为变量名，值为数值列表
         ctx: MCP上下文对象
     """
     await ctx.info(f"开始计算描述性统计，处理 {len(data)} 个变量")
@@ -210,16 +253,85 @@ async def descriptive_statistics(
 @mcp.tool()
 async def ols_regression(
     ctx: Context[ServerSession, AppContext],
-    y_data: List[float],
-    x_data: List[List[float]],
-    feature_names: Optional[List[str]] = None
+    y_data: Annotated[
+        List[float],
+        Field(
+            description="""因变量数据（被解释变量/响应变量）
+            
+示例：[12000, 13500, 11800, 14200, 15100]
+
+要求：
+- 必须为数值列表
+- 长度必须与自变量观测数量一致
+- 不能包含缺失值（NaN）
+- 建议样本量 >= 30"""
+        )
+    ],
+    x_data: Annotated[
+        List[List[float]],
+        Field(
+            description="""自变量数据（解释变量/预测变量），二维列表格式
+            
+示例格式（3个观测，2个自变量）：
+[
+    [800, 5.2],    # 第1个观测的自变量值
+    [900, 5.8],    # 第2个观测的自变量值
+    [750, 4.9]     # 第3个观测的自变量值
+]
+
+要求：
+- 外层列表：每个元素代表一个观测
+- 内层列表：该观测的所有自变量值
+- 所有观测的自变量数量必须相同
+- 观测数量必须与y_data长度一致
+- 自变量数量建议 < 观测数量/10（避免过拟合）"""
+        )
+    ],
+    feature_names: Annotated[
+        Optional[List[str]],
+        Field(
+            default=None,
+            description="""自变量名称列表（可选）
+            
+示例：["广告支出", "价格指数"]
+
+说明：
+- 如果不提供，将自动命名为 x1, x2, x3...
+- 名称数量必须与自变量数量一致
+- 建议使用有意义的名称以便解释结果"""
+        )
+    ] = None
 ) -> Annotated[CallToolResult, OLSRegressionResult]:
-    """执行OLS回归分析
+    """执行普通最小二乘法(OLS)回归分析
+    
+    📊 功能说明：
+    使用最小二乘法估计线性回归模型，分析因变量与自变量之间的线性关系。
+    模型形式：Y = β₀ + β₁X₁ + β₂X₂ + ... + βₖXₖ + ε
+    
+    📈 输出指标：
+    - R²：决定系数，取值0-1，衡量模型拟合优度
+    - 调整R²：考虑自变量数量的修正R²
+    - F统计量及p值：检验模型整体显著性
+    - AIC/BIC：信息准则，用于模型比较，越小越好
+    - 回归系数：每个自变量的估计值、标准误、t统计量、p值、置信区间
+    
+    💡 使用场景：
+    - 因果关系分析（如广告支出对销售额的影响）
+    - 预测建模（如根据经济指标预测GDP）
+    - 控制变量分析（如研究教育回报率时控制工作经验）
+    - 假设检验（如检验某变量是否对结果有显著影响）
+    
+    ⚠️ 注意事项：
+    - R² > 0.7 表示拟合良好，但需警惕过拟合
+    - p值 < 0.05 表示该系数在5%水平显著
+    - 需检查残差的正态性、同方差性和独立性假设
+    - 自变量间高度相关（相关系数>0.8）可能导致多重共线性问题
+    - 样本量过小可能导致不可靠的估计结果
 
     Args:
         y_data: 因变量数据
         x_data: 自变量数据，每行一个观测
-        feature_names: 自变量名称
+        feature_names: 自变量名称（可选）
         ctx: MCP上下文对象
     """
     await ctx.info(f"开始OLS回归分析，样本大小: {len(y_data)}，自变量数量: {len(x_data[0]) if x_data else 0}")
@@ -285,16 +397,97 @@ async def ols_regression(
 @mcp.tool()
 async def hypothesis_testing(
     ctx: Context[ServerSession, AppContext],
-    data1: List[float],
-    data2: Optional[List[float]] = None,
-    test_type: str = "t_test"
+    data1: Annotated[
+        List[float],
+        Field(
+            description="""第一组数据或单一样本数据
+            
+示例：[3.2, 2.8, 3.5, 2.9, 3.1, 2.7, 3.3]
+
+要求：
+- 必须为数值列表
+- 不能包含缺失值
+- 建议样本量 >= 30（大样本）
+- t检验要求数据近似正态分布"""
+        )
+    ],
+    data2: Annotated[
+        Optional[List[float]],
+        Field(
+            default=None,
+            description="""第二组数据（可选，用于双样本检验）
+            
+示例：[2.5, 2.9, 2.3, 2.6, 2.8]
+
+说明：
+- 仅在双样本t检验时需要提供
+- 单样本t检验时保持为None
+- 两组数据可以有不同的样本量
+- ADF检验不需要第二组数据"""
+        )
+    ] = None,
+    test_type: Annotated[
+        str,
+        Field(
+            default="t_test",
+            description="""假设检验类型
+
+可选值：
+- "t_test": t检验（默认）
+  * 单样本t检验：检验样本均值是否等于0（data2=None）
+  * 双样本t检验：检验两组样本均值是否相等（提供data2）
+  
+- "adf": 增强迪基-富勒检验（Augmented Dickey-Fuller Test）
+  * 用于检验时间序列的平稳性
+  * 原假设：存在单位根（非平稳）
+  * p<0.05 拒绝原假设，序列平稳
+
+使用建议：
+- 比较均值差异 → 使用 t_test
+- 检验时间序列平稳性 → 使用 adf"""
+        )
+    ] = "t_test"
 ) -> Annotated[CallToolResult, HypothesisTestResult]:
-    """执行假设检验
+    """执行统计假设检验
+    
+    📊 功能说明：
+    对数据进行统计假设检验，判断样本是否支持某个统计假设。
+    
+    📈 检验类型详解：
+    
+    1️⃣ t检验 (t_test)：
+       - 单样本：H₀: μ = 0 vs H₁: μ ≠ 0
+       - 双样本：H₀: μ₁ = μ₂ vs H₁: μ₁ ≠ μ₂
+       - 适用于小样本（n<30）且数据近似正态分布
+    
+    2️⃣ ADF检验 (adf)：
+       - H₀: 序列存在单位根（非平稳）
+       - H₁: 序列不存在单位根（平稳）
+       - 用于时间序列分析前的平稳性检验
+    
+    📊 输出指标：
+    - 检验统计量：用于判断是否拒绝原假设
+    - p值：显著性水平，<0.05表示在5%水平显著
+    - 是否显著：基于5%显著性水平的判断
+    - 置信区间：参数的可能取值范围（仅t检验）
+    
+    💡 使用场景：
+    - 检验新药是否有效（单样本t检验）
+    - 比较两种教学方法的效果差异（双样本t检验）
+    - 检验股价序列是否平稳（ADF检验）
+    - 验证经济理论假说（如购买力平价理论）
+    
+    ⚠️ 注意事项：
+    - p值 < 0.05：拒绝原假设（结果显著）
+    - p值 >= 0.05：不能拒绝原假设（结果不显著）
+    - t检验要求数据近似正态分布
+    - 小样本(<30)时t检验结果可能不可靠
+    - ADF检验中p<0.05表示序列平稳（拒绝非平稳假设）
 
     Args:
         data1: 第一组数据
-        data2: 第二组数据（可选）
-        test_type: 检验类型
+        data2: 第二组数据（可选，用于双样本检验）
+        test_type: 检验类型（t_test或adf）
         ctx: MCP上下文对象
     """
     await ctx.info(f"开始假设检验: {test_type}")
@@ -320,7 +513,7 @@ async def hypothesis_testing(
 
         elif test_type == "adf":
             # ADF单位根检验
-            result = statsmodels.tsa.stattools.adfuller(data1)
+            result = stattools.adfuller(data1)
             test_result = HypothesisTestResult(
                 test_type="adf",
                 statistic=result[0],
@@ -358,23 +551,93 @@ async def hypothesis_testing(
 @mcp.tool()
 async def time_series_analysis(
     ctx: Context[ServerSession, AppContext],
-    data: List[float]
+    data: Annotated[
+        List[float],
+        Field(
+            description="""时间序列数据（按时间顺序排列）
+            
+示例格式：
+[12000, 13500, 11800, 14200, 15100, 14800, 16200, 15900]
+# 表示连续8期的观测值，如月度销售额
+
+要求：
+- 必须按时间顺序排列（从早到晚）
+- 建议至少30个观测点以获得可靠结果
+- 数据应等间隔采样（如日度、月度、季度）
+- 不能包含缺失值
+- 数据量越大，ACF/PACF分析越准确
+
+应用示例：
+- 股票价格序列
+- GDP季度数据
+- 月度销售额
+- 日均气温数据"""
+        )
+    ]
 ) -> Annotated[CallToolResult, TimeSeriesStatsResult]:
-    """时间序列分析
+    """时间序列统计分析
+    
+    📊 功能说明：
+    对时间序列数据进行全面的统计分析，包括平稳性检验和自相关分析。
+    
+    📈 分析内容：
+    
+    1️⃣ ADF单位根检验（Augmented Dickey-Fuller Test）：
+       - 检验序列是否平稳
+       - H₀: 存在单位根（序列非平稳）
+       - p < 0.05：拒绝原假设，序列平稳
+       - 平稳性是时间序列建模的基础
+    
+    2️⃣ 自相关函数（ACF）：
+       - 衡量序列与其滞后值之间的相关性
+       - 用于识别MA模型的阶数
+       - 指数衰减→AR过程；q阶截尾→MA(q)过程
+    
+    3️⃣ 偏自相关函数（PACF）：
+       - 剔除中间滞后项影响后的相关性
+       - 用于识别AR模型的阶数
+       - p阶截尾→AR(p)过程
+    
+    📊 输出指标：
+    - ADF统计量：越负越可能平稳
+    - ADF p值：<0.05表示序列平稳
+    - 平稳性判断：基于5%显著性水平
+    - ACF值：前20阶（或更少）的自相关系数
+    - PACF值：前20阶（或更少）的偏自相关系数
+    
+    💡 使用场景：
+    - ARIMA建模前的平稳性检验
+    - 识别合适的时间序列模型（AR、MA、ARMA）
+    - 检测季节性和趋势
+    - 评估序列的记忆性和持续性
+    
+    ⚠️ 注意事项：
+    - 非平稳序列需要差分或变换后才能建模
+    - ACF和PACF应结合使用以识别模型类型
+    - 数据点太少（<30）可能导致不可靠的结果
+    - 强烈的季节性可能影响ACF/PACF的解读
+    - 建议同时观察ACF/PACF图形以获得更好的直观理解
+    
+    📖 结果解读：
+    - ADF p值 < 0.05 + ACF快速衰减 → 平稳序列，可直接建模
+    - ADF p值 >= 0.05 → 非平稳序列，需要差分处理
+    - PACF在p阶截尾 → 考虑AR(p)模型
+    - ACF在q阶截尾 → 考虑MA(q)模型
+    - ACF和PACF都衰减 → 考虑ARMA模型
 
     Args:
-        data: 时间序列数据
+        data: 时间序列数据（按时间顺序）
         ctx: MCP上下文对象
     """
     await ctx.info(f"开始时间序列分析，数据点数量: {len(data)}")
 
     try:
         # ADF单位根检验
-        adf_result = statsmodels.tsa.stattools.adfuller(data)
+        adf_result = stattools.adfuller(data)
 
         # 自相关和偏自相关函数
-        acf_values = statsmodels.tsa.stattools.acf(data, nlags=min(20, len(data)-1))
-        pacf_values = statsmodels.tsa.stattools.pacf(data, nlags=min(20, len(data)-1))
+        acf_values = stattools.acf(data, nlags=min(20, len(data)-1))
+        pacf_values = stattools.pacf(data, nlags=min(20, len(data)-1))
 
         result = TimeSeriesStatsResult(
             adf_statistic=adf_result[0],
@@ -412,14 +675,99 @@ async def time_series_analysis(
 @mcp.tool()
 async def correlation_analysis(
     ctx: Context[ServerSession, AppContext],
-    data: Dict[str, List[float]],
-    method: str = "pearson"
+    data: Annotated[
+        Dict[str, List[float]],
+        Field(
+            description="""多变量数据字典
+            
+示例格式：
+{
+    "销售额": [12000, 13500, 11800, 14200],
+    "广告支出": [800, 900, 750, 1000],
+    "价格": [99, 95, 102, 98],
+    "竞争对手数量": [3, 3, 4, 3]
+}
+
+要求：
+- 至少包含2个变量
+- 所有变量的数据点数量必须相同
+- 建议样本量 >= 30
+- 数值不能包含缺失值
+
+应用：
+- 探索变量间的关联关系
+- 识别潜在的多重共线性
+- 为回归分析筛选变量"""
+        )
+    ],
+    method: Annotated[
+        str,
+        Field(
+            default="pearson",
+            description="""相关系数计算方法
+
+可选值：
+- "pearson": 皮尔逊相关系数（默认）
+  * 衡量线性相关关系
+  * 取值范围：-1到1
+  * 要求：数据近似正态分布
+  * 对异常值敏感
+  
+- "spearman": 斯皮尔曼秩相关系数
+  * 衡量单调相关关系（不要求线性）
+  * 基于数据的秩次
+  * 对异常值不敏感
+  * 适用于非正态分布
+  
+- "kendall": 肯德尔τ相关系数
+  * 衡量一致性程度
+  * 更稳健但计算较慢
+  * 适用于小样本和有序数据
+
+选择建议：
+- 数据正态分布 + 关注线性关系 → pearson
+- 数据有异常值或非正态 → spearman
+- 有序分类数据 → kendall"""
+        )
+    ] = "pearson"
 ) -> str:
-    """相关性分析
+    """变量间相关性分析
+    
+    📊 功能说明：
+    计算多个变量之间的相关系数矩阵，揭示变量间的关联关系强度和方向。
+    
+    📈 相关系数解读：
+    - 相关系数范围：-1 到 +1
+    - |r| = 0.0-0.3：弱相关或无相关
+    - |r| = 0.3-0.7：中等程度相关
+    - |r| = 0.7-1.0：强相关
+    - r > 0：正相关（同向变化）
+    - r < 0：负相关（反向变化）
+    - r = 0：无线性相关
+    
+    💡 使用场景：
+    - 探索性数据分析（EDA）
+    - 回归分析前的变量筛选
+    - 识别多重共线性问题
+    - 构建投资组合（寻找低相关资产）
+    - 因子分析和主成分分析的前置步骤
+    
+    ⚠️ 注意事项：
+    - 相关≠因果：高相关不代表因果关系
+    - 皮尔逊相关仅衡量线性关系，可能错过非线性关系
+    - 异常值会显著影响皮尔逊相关系数
+    - 回归分析中，自变量间相关系数>0.8可能导致多重共线性
+    - 小样本(<30)的相关系数可能不稳定
+    
+    📖 实际应用示例：
+    - 营销分析：广告支出与销售额的相关性
+    - 金融分析：不同股票收益率之间的相关性
+    - 经济研究：GDP增长与失业率的关系
+    - 多重共线性检测：回归模型中自变量间的相关性
 
     Args:
-        data: 变量数据
-        method: 相关系数类型
+        data: 变量数据字典
+        method: 相关系数类型（pearson/spearman/kendall）
         ctx: MCP上下文对象
     """
     await ctx.info(f"开始相关性分析: {method}")

{aigroup_econ_mcp-0.1.0.dist-info → aigroup_econ_mcp-0.1.2.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: aigroup-econ-mcp
-Version: 0.1.0
+Version: 0.1.2
 Summary: 专业计量经济学MCP工具 - 让大模型直接进行数据分析
 Project-URL: Homepage, https://github.com/aigroup/aigroup-econ-mcp
 Project-URL: Repository, https://github.com/aigroup/aigroup-econ-mcp.git

aigroup_econ_mcp-0.1.2.dist-info/RECORD

@@ -0,0 +1,12 @@
+aigroup_econ_mcp/__init__.py,sha256=9Qc3GznVMCekXwmAAmIWQvljYIY2uGFtYMjvgHXaREE,472
+aigroup_econ_mcp/cli.py,sha256=QEQjK6Y7TpgLHpdd8QqQhCjATkJ3-BjYjiXaB4HbJMk,2972
+aigroup_econ_mcp/server.py,sha256=FQf8ElP2WNn0BNBFvRqDkCi3Mtw-vziNUjBPvfl4ZnA,26922
+aigroup_econ_mcp/tools/__init__.py,sha256=o_mAyxeUVxh-xBrggUzS5Yg0uO9FjKvroLXQhFO6ezg,141
+aigroup_econ_mcp/tools/regression.py,sha256=d-WiOSRSPIw5p7nFE6JE34ktQrBBXmZp6eQPfHXTFvA,6230
+aigroup_econ_mcp/tools/statistics.py,sha256=arw5ahGBH4d4pS-wRHh_5z35Yf4LMpiUblR_TLZSbZ0,3415
+aigroup_econ_mcp/tools/time_series.py,sha256=YFGBsKKA1a1FIH3x6gphw4bhVjgw8c-72ibJ4wOeDEM,8122
+aigroup_econ_mcp-0.1.2.dist-info/METADATA,sha256=VoItN5CTf5jMDR6_2qrlk4iP1N3sxM7fuxS2HyGaUPA,5333
+aigroup_econ_mcp-0.1.2.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
+aigroup_econ_mcp-0.1.2.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
+aigroup_econ_mcp-0.1.2.dist-info/licenses/LICENSE,sha256=x4onvmayh9xPtyeLWVwM9av5hlduofabbcq2z45BbPY,1063
+aigroup_econ_mcp-0.1.2.dist-info/RECORD,,

aigroup_econ_mcp-0.1.0.dist-info/RECORD

@@ -1,12 +0,0 @@
-aigroup_econ_mcp/__init__.py,sha256=z14iciYc9LvvPliqwqkOx4lOuAcJFQL9iIQeHo9JF5Y,472
-aigroup_econ_mcp/cli.py,sha256=3Cq2W9GMMcv3lsHwQkRcNJv5GbJo8pQZylopXyQPOF4,2193
-aigroup_econ_mcp/server.py,sha256=jBPJNUP5rAGsE0EuPBLglNaXt5eIsDjWzFMbwZSfMiQ,14918
-aigroup_econ_mcp/tools/__init__.py,sha256=o_mAyxeUVxh-xBrggUzS5Yg0uO9FjKvroLXQhFO6ezg,141
-aigroup_econ_mcp/tools/regression.py,sha256=d-WiOSRSPIw5p7nFE6JE34ktQrBBXmZp6eQPfHXTFvA,6230
-aigroup_econ_mcp/tools/statistics.py,sha256=arw5ahGBH4d4pS-wRHh_5z35Yf4LMpiUblR_TLZSbZ0,3415
-aigroup_econ_mcp/tools/time_series.py,sha256=YFGBsKKA1a1FIH3x6gphw4bhVjgw8c-72ibJ4wOeDEM,8122
-aigroup_econ_mcp-0.1.0.dist-info/METADATA,sha256=gSaDlcS73fcUcJJcX-AVlyZkfvC4XGG-v7a0W-HGbiw,5333
-aigroup_econ_mcp-0.1.0.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
-aigroup_econ_mcp-0.1.0.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
-aigroup_econ_mcp-0.1.0.dist-info/licenses/LICENSE,sha256=x4onvmayh9xPtyeLWVwM9av5hlduofabbcq2z45BbPY,1063
-aigroup_econ_mcp-0.1.0.dist-info/RECORD,,