aigroup-econ-mcp 0.4.0__py3-none-any.whl → 1.3.3__py3-none-any.whl

aigroup_econ_mcp-0.4.0.dist-info/METADATA

@@ -1,718 +0,0 @@
-Metadata-Version: 2.4
-Name: aigroup-econ-mcp
-Version: 0.4.0
-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
-Project-URL: Issues, https://github.com/aigroup/aigroup-econ-mcp/issues
-Author-email: AIGroup <jackdark425@gmail.com>
-License-File: LICENSE
-Keywords: data-analysis,economics,mcp,regression,statistics
-Classifier: Development Status :: 4 - Beta
-Classifier: Intended Audience :: Developers
-Classifier: License :: OSI Approved :: MIT License
-Classifier: Programming Language :: Python :: 3
-Classifier: Programming Language :: Python :: 3.8
-Classifier: Programming Language :: Python :: 3.9
-Classifier: Programming Language :: Python :: 3.10
-Classifier: Programming Language :: Python :: 3.11
-Classifier: Programming Language :: Python :: 3.12
-Classifier: Topic :: Scientific/Engineering :: Information Analysis
-Classifier: Topic :: Software Development :: Libraries :: Python Modules
-Requires-Python: >=3.10
-Requires-Dist: arch>=6.0.0
-Requires-Dist: click>=8.0.0
-Requires-Dist: linearmodels>=7.0
-Requires-Dist: matplotlib>=3.5.0
-Requires-Dist: mcp>=1.0.0
-Requires-Dist: numpy>=1.21.0
-Requires-Dist: pandas>=1.5.0
-Requires-Dist: psutil>=5.9.0
-Requires-Dist: pydantic>=2.0.0
-Requires-Dist: pyyaml>=6.0
-Requires-Dist: scikit-learn>=1.0.0
-Requires-Dist: scipy>=1.7.0
-Requires-Dist: statsmodels>=0.13.0
-Requires-Dist: uvicorn>=0.20.0
-Description-Content-Type: text/markdown
-
-# 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
-
-![Python](https://img.shields.io/badge/Python-3.8+-blue.svg)
-![MCP](https://img.shields.io/badge/MCP-1.0+-green.svg)
-![License](https://img.shields.io/badge/License-MIT-yellow.svg)
-
-## 功能特性
-
-- 📊 **描述性统计分析** - 自动计算均值、方差、偏度、峰度等统计量
-- 📈 **回归分析** - OLS回归、逐步回归、模型诊断
-- 🧪 **假设检验** - t检验、F检验、卡方检验、ADF检验
-- ⏰ **时间序列分析** - 平稳性检验、ARIMA模型、预测
-- 🔄 **结构化输出** - 完整的Pydantic模型支持
-- 🎯 **上下文管理** - 进度报告、日志记录、错误处理
-- 📁 **文件输入支持** - 支持CSV/JSON文件自动解析
-- 📊 **面板数据分析** - 固定效应、随机效应模型等
-- 🤖 **机器学习集成** - 随机森林、梯度提升等算法
-
-## 🚀 快速开始（Roo-Code用户）
-
-### 一键启动MCP服务
-
-```bash
-# 使用uvx快速启动（推荐，无需安装）
-uvx aigroup-econ-mcp
-```
-
-就这么简单！ MCP服务会自动：
-
-✅ 下载最新版本
-✅ 配置轻量级依赖（仅~50MB）
-✅ 启动并连接到Roo-Code
-✅ 提供21个专业计量经济学工具
-
-### 配置Roo-Code
-
-如果需要手动配置RooCode的MCP服务，请在RooCode的设置中添加以下配置：
-
-```json
-{
-  "mcpServers": {
-    "aigroup-econ-mcp": {
-      "command": "uvx",
-      "args": [
-        "aigroup-econ-mcp"
-      ],
-      "env": {},
-      "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"
-      ]
-    }
-  }
-}
-```
-
-配置说明：
-
-- `command`: 使用uvx运行，无需本地安装
-- `args`: 启动参数
-- `alwaysAllow`: 允许访问的工具列表
-- `env`: 环境变量（可留空）
-
-配置完成后，RooCode将自动连接到aigroup-econ-mcp服务，您可以直接使用以下工具：
-
-| 工具类别 | 工具 | 功能 |
-|---------|------|------|
-| **基础统计** | descriptive_statistics | 描述性统计分析 |
-| | ols_regression | OLS回归分析 |
-| | hypothesis_testing | 假设检验 |
-| | time_series_analysis | 时间序列分析 |
-| | correlation_analysis | 相关性分析 |
-| **面板数据** | panel_fixed_effects | 固定效应模型 |
-| | panel_random_effects | 随机效应模型 |
-| | panel_hausman_test | Hausman检验 |
-| | panel_unit_root_test | 面板单位根检验 |
-| **时间序列** | var_model_analysis | VAR模型分析 |
-| | vecm_model_analysis | VECM模型分析 |
-| | garch_model_analysis | GARCH模型分析 |
-| | state_space_model_analysis | 状态空间模型分析 |
-| | variance_decomposition_analysis | 方差分解分析 |
-| **机器学习** | random_forest_regression_analysis | 随机森林回归 |
-| | gradient_boosting_regression_analysis | 梯度提升树回归 |
-| | lasso_regression_analysis | Lasso回归 |
-| | ridge_regression_analysis | Ridge回归 |
-| | cross_validation_analysis | 交叉验证 |
-| | feature_importance_analysis_tool | 特征重要性分析 |
-
-## 📦 安装方式
-
-### 方式1：uvx（推荐，无需安装）
-
-```bash
-# 直接运行最新版本
-uvx aigroup-econ-mcp
-
-# 或指定版本
-uvx aigroup-econ-mcp@1.0.0
-```
-
-优点：
-
-⚡ 快速启动（几秒钟）
-🔄 自动获取最新版本
-💾 无需本地安装
-🎯 轻量级依赖（~50MB，包含统计分析库）
-
-### 方式2：pip安装
-
-```bash
-# 基础安装（包含所有计量经济学功能）
-pip install aigroup-econ-mcp
-
-# 运行
-aigroup-econ-mcp
-```
-
-依赖说明：
-
-- **核心依赖**（默认）：pandas, numpy, scipy, mcp, statsmodels, matplotlib
-- **扩展依赖**：linearmodels（面板数据）, scikit-learn（机器学习）, arch（GARCH模型）
-- **轻量级**：无需torch或其他重型依赖
-- **推荐**：直接使用基础安装，包含所有计量经济学功能！
-
-## ✨ 核心特性
-
-1️⃣ 智能数据分析
-✅ 自动清洗：自动处理缺失值和异常值
-✅ 统计计算：完整的描述性统计量
-✅ 可视化：自动生成图表和报告
-
-2️⃣ 专业回归分析
-📊 OLS回归：完整的回归诊断和残差分析
-🔧 逐步回归：特征选择和模型优化
-📈 模型评估：R²、调整R²、F检验等指标
-
-3️⃣ 假设检验套件
-🧪 多样化检验：t检验、F检验、卡方检验、ADF检验
-📊 详细报告：统计量、p值、置信区间
-💡 结果解读：自动生成检验结论和建议
-
-4️⃣ 时间序列专业工具
-⏰ 平稳性检验：ADF、KPSS等完整检验套件
-📈 ARIMA建模：自动定阶和参数估计
-🔮 预测功能：点预测和区间预测
-
-5️⃣ 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
-📉 面板单位根检验：面板数据平稳性分析
-
-6️⃣ 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
-🔗 正则化回归：Lasso/Ridge防止过拟合
-🔍 交叉验证：模型性能评估
-🎯 特征重要性：变量选择
-
-7️⃣ 文件输入支持
-📁 自动解析：支持CSV/JSON文件自动解析
-🔄 向后兼容：保持原有直接数据输入方式
-⚙️ 灵活输入：可混合使用文件和直接数据
-
-8️⃣ 结构化输出
-📋 Pydantic模型：类型安全的数据结构
-📊 丰富格式：表格、JSON、Markdown报告
-🎯 错误处理：详细的错误信息和建议
-
-## 🔧 故障排除
-
-### uvx安装卡住
-**问题**：`uvx aigroup-econ-mcp` 卡住不动
-
-**解决**：
-- 确保使用最新版本
-- 检查网络连接
-- 尝试清除缓存：`uvx --no-cache aigroup-econ-mcp`
-
-### 工具返回错误
-**问题**：统计分析返回NoneType或错误
-
-**解决**：
-- 确保数据格式正确（列表或字典）
-- 检查数据中是否有缺失值
-- 查看详细错误信息和参数要求
-
-### RooCode中无法使用MCP工具
-**问题**：在RooCode中看不到aigroup-econ-mcp工具
-
-**解决**：
-- 确保配置了正确的MCP服务配置
-- 检查uvx是否正常工作：`uvx --version`
-- 重启RooCode
-- 查看RooCode的MCP服务日志
-
-### MCP服务连接失败
-**问题**：MCP服务启动失败或连接超时
-
-**解决**：
-- 检查网络连接
-- 尝试使用 `uvx --no-cache aigroup-econ-mcp` 清除缓存
-- 确保Python版本>=3.8
-- 查看详细错误日志
-
-## 📂 项目结构
-
-### 使用uvx安装运行（推荐）
-
-```bash
-# 一键安装和运行
-uvx aigroup-econ-mcp
-
-# 指定端口运行
-uvx aigroup-econ-mcp --port 8080 --debug
-
-# 使用不同的传输协议
-uvx aigroup-econ-mcp --transport streamable-http --host 0.0.0.0 --port 8000
-```
-
-### 本地开发
-
-```bash
-# 克隆项目
-git clone https://github.com/jackdark425/aigroup-econ-mcp
-cd aigroup-econ-mcp
-
-# 开发模式运行
-uv run aigroup-econ-mcp --port 8000 --debug
-
-# 或使用uvx
-uvx -p . aigroup-econ-mcp
-```
-
-## 与RooCode集成
-
-在RooCode的MCP配置文件中添加：
-
-```json
-"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"
-  ],
-  "disabled": true
-}
-```
-
-## 📋 工具详细说明
-
-### 基础统计工具
-
-#### descriptive_statistics
-描述性统计分析工具
-
-**参数：**
-- `data`: 数值数据列表或字典
-- `variables`: 变量名列表（可选）
-- `output_format`: 输出格式（table/json）
-- `file_path`: CSV/JSON文件路径（可选）
-- `file_content`: CSV/JSON文件内容（可选）
-
-**返回：**
-- 基础统计量（均值、方差、偏度、峰度）
-- 数据质量评估
-- 可视化图表
-
-#### ols_regression
-OLS回归分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据（列表或矩阵）
-- `feature_names`: 变量名称（可选）
-- `add_constant`: 是否添加常数项（默认true）
-- `output_detail`: 输出详细程度（可选）
-- `file_path`: CSV/JSON文件路径（可选）
-- `file_content`: CSV/JSON文件内容（可选）
-
-**返回：**
-- 回归系数和统计显著性
-- 模型拟合优度（R²、调整R²）
-- 模型诊断（残差分析、异方差检验）
-- 预测结果（如果提供预测数据）
-
-#### hypothesis_testing
-假设检验工具
-
-**参数：**
-- `data1`: 第一组数据
-- `data2`: 第二组数据（可选）
-- `test_type`: 检验类型（t_test/f_test/chi2_test/adf_test）
-- `alpha`: 显著性水平（默认0.05）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-**返回：**
-- 检验统计量和p值
-- 检验结果和置信区间
-- 效应大小和统计功效
-
-#### time_series_analysis
-时间序列分析工具
-
-**参数：**
-- `data`: 时间序列数据
-- `analysis_type`: 分析类型（stationarity/arima/forecast）
-- `lags`: 滞后期数（默认12）
-- `forecast_steps`: 预测步数（可选）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-**返回：**
-- 平稳性检验结果
-- ARIMA模型参数
-- 预测值和置信区间
-- 模型诊断图表
-
-#### correlation_analysis
-相关性分析工具
-
-**参数：**
-- `data`: 变量数据字典
-- `method`: 相关系数类型（pearson/spearman/kendall）
-- `plot`: 是否生成可视化图表（默认true）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-**返回：**
-- 相关系数矩阵
-- 显著性检验结果
-- 相关性热力图
-
-### 面板数据分析工具
-
-#### panel_fixed_effects
-固定效应模型分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `entity_ids`: 实体标识符
-- `time_periods`: 时间标识符
-- `feature_names`: 特征名称（可选）
-- `entity_effects`: 是否包含实体效应（默认true）
-- `time_effects`: 是否包含时间效应（默认false）
-- `file_path`: CSV文件路径（可选）
-- `file_content`: CSV文件内容（可选）
-
-#### panel_random_effects
-随机效应模型分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `entity_ids`: 实体标识符
-- `time_periods`: 时间标识符
-- `feature_names`: 特征名称（可选）
-- `entity_effects`: 是否包含实体效应（默认true）
-- `time_effects`: 是否包含时间效应（默认false）
-- `file_path`: CSV文件路径（可选）
-- `file_content`: CSV文件内容（可选）
-
-#### panel_hausman_test
-Hausman检验工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `entity_ids`: 实体标识符
-- `time_periods`: 时间标识符
-- `feature_names`: 特征名称（可选）
-- `file_path`: CSV文件路径（可选）
-- `file_content`: CSV文件内容（可选）
-
-#### panel_unit_root_test
-面板单位根检验工具
-
-**参数：**
-- `data`: 时间序列数据
-- `y_data`: 因变量数据（可选）
-- `entity_ids`: 实体标识符
-- `time_periods`: 时间标识符
-- `feature_names`: 特征名称（可选）
-- `test_type`: 检验类型（默认levinlin）
-- `file_path`: CSV文件路径（可选）
-- `file_content`: CSV文件内容（可选）
-
-### 高级时间序列工具
-
-#### var_model_analysis
-VAR模型分析工具
-
-**参数：**
-- `data`: 多变量时间序列数据
-- `max_lags`: 最大滞后阶数（默认5）
-- `ic`: 信息准则（默认aic）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### vecm_model_analysis
-VECM模型分析工具
-
-**参数：**
-- `data`: 多变量时间序列数据
-- `coint_rank`: 协整秩（默认1）
-- `deterministic`: 确定性项（默认co）
-- `max_lags`: 最大滞后阶数（默认5）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### garch_model_analysis
-GARCH模型分析工具
-
-**参数：**
-- `data`: 时间序列数据
-- `order`: GARCH模型阶数（默认(1, 1)）
-- `dist`: 分布类型（默认normal）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### state_space_model_analysis
-状态空间模型分析工具
-
-**参数：**
-- `data`: 时间序列数据
-- `state_dim`: 状态维度（默认1）
-- `observation_dim`: 观测维度（默认1）
-- `trend`: 是否包含趋势（默认true）
-- `seasonal`: 是否包含季节性（默认false）
-- `period`: 季节周期（默认12）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### variance_decomposition_analysis
-方差分解分析工具
-
-**参数：**
-- `data`: 多变量时间序列数据
-- `periods`: 分解期数（默认10）
-- `max_lags`: 最大滞后阶数（默认5）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-### 机器学习工具
-
-#### random_forest_regression_analysis
-随机森林回归分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `feature_names`: 特征名称（可选）
-- `n_estimators`: 树的数量（默认100）
-- `max_depth`: 最大深度（可选）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### gradient_boosting_regression_analysis
-梯度提升回归分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `feature_names`: 特征名称（可选）
-- `n_estimators`: 树的数量（默认100）
-- `learning_rate`: 学习率（默认0.1）
-- `max_depth`: 最大深度（默认3）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### lasso_regression_analysis
-Lasso回归分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `feature_names`: 特征名称（可选）
-- `alpha`: 正则化强度（默认1.0）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### ridge_regression_analysis
-Ridge回归分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `feature_names`: 特征名称（可选）
-- `alpha`: 正则化强度（默认1.0）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### cross_validation_analysis
-交叉验证分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `feature_names`: 特征名称（可选）
-- `model_type`: 模型类型（默认random_forest）
-- `cv_folds`: 交叉验证折数（默认5）
-- `scoring`: 评分标准（默认r2）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-#### feature_importance_analysis_tool
-特征重要性分析工具
-
-**参数：**
-- `y_data`: 因变量数据
-- `x_data`: 自变量数据
-- `feature_names`: 特征名称（可选）
-- `method`: 分析方法（默认random_forest）
-- `top_k`: 返回前k个重要特征（默认5）
-- `file_path`: 文件路径（可选）
-- `file_content`: 文件内容（可选）
-
-## 可用资源
-
-### 示例数据集
-
-```
-resource://dataset/sample/economic_growth
-resource://dataset/sample/stock_returns
-resource://dataset/sample/time_series
-```
-
-### 提示模板
-
-```
-prompt://economic_analysis?data_description=...&analysis_type=descriptive
-```
-
-## 项目结构
-
-```
-aigroup-econ-mcp/
-├── src/aigroup_econ_mcp/
-│   ├── __init__.py              # 包初始化
-│   ├── server.py                # MCP服务器核心
-│   ├── cli.py                   # 命令行入口
-│   └── tools/
-│       ├── __init__.py
-│       ├── 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        # 文件解析工具
-├── pyproject.toml               # 项目配置
-├── README.md
-└── examples/
-```
-
-## 依赖要求
-
-- Python 3.8+
-- pandas >= 1.5.0
-- numpy >= 1.21.0
-- statsmodels >= 0.13.0
-- scipy >= 1.7.0
-- matplotlib >= 3.5.0
-- mcp >= 1.0.0
-- pydantic >= 2.0.0
-- linearmodels >= 7.0
-- scikit-learn >= 1.0.0
-- arch >= 6.0.0
-
-## 开发
-
-### 环境设置
-
-```bash
-# 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/
-
-# 类型检查
-uv run mypy src/
-
-# 代码检查
-uv run ruff check src/
-```
-
-### 构建和发布
-
-```bash
-# 构建包
-uv build
-
-# 发布到PyPI
-uv publish
-```
-
-## 许可证
-
-MIT License
-
-## 贡献
-
-欢迎贡献代码！请查看[贡献指南](CONTRIBUTING.md)了解详情。
-
-## 🤝 贡献
-
-欢迎提交Issue和Pull Request！
-
-1. Fork项目
-2. 创建功能分支
-3. 提交更改
-4. 开启Pull Request
-
-## 📄 许可证
-
-MIT License - 查看 LICENSE 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
-
-💬 提交 [GitHub Issues](https://github.com/jackdark425/aigroup-econ-mcp/issues)
-📧 邮件：jackdark425@gmail.com
-📚 文档：查看项目文档和示例
-
-**立即开始**: `uvx aigroup-econ-mcp` 🚀