aigroup-econ-mcp 0.4.2__py3-none-any.whl → 1.4.3__py3-none-any.whl

econometrics/tests/basic_parametric_estimation_tests/test_gmm.py

@@ -0,0 +1,128 @@
+"""
+GMM模型测试脚本
+"""
+
+import sys
+import os
+import numpy as np
+
+# 添加项目根目录到路径
+sys.path.append(os.path.join(os.path.dirname(__file__), '..', '..', '..'))
+
+from econometrics.basic_parametric_estimation.gmm.gmm_model import gmm_estimation, GMMResult
+
+
+def test_gmm_basic():
+    """测试基本GMM功能"""
+    print("测试基本GMM功能...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 100
+    x1 = np.random.randn(n)
+    x2 = np.random.randn(n)
+    # 真实模型: y = 2 + 3*x1 + 2*x2 + noise
+    y = 2 + 3*x1 + 2*x2 + np.random.randn(n) * 0.5
+    
+    # 准备数据
+    x_data = [[x1[i], x2[i]] for i in range(n)]
+    y_data = y.tolist()
+    
+    # 执行GMM回归（无工具变量，退化为OLS）
+    result = gmm_estimation(y_data, x_data, feature_names=['x1', 'x2'])
+    
+    # 验证结果类型
+    assert isinstance(result, GMMResult), "结果应为GMMResult类型"
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 3, "应该有3个系数（包括常数项）"
+    
+    # 验证统计量合理性
+    assert result.n_obs == n, f"观测数量应为{n}"
+    assert result.n_moments == 3, "矩条件数量应为3"
+    
+    print("  系数:", result.coefficients)
+    print("  J统计量:", result.j_statistic)
+    print("  基本GMM功能测试通过")
+
+
+def test_gmm_with_instruments():
+    """测试带工具变量的GMM"""
+    print("测试带工具变量的GMM...")
+    
+    # 生成测试数据（工具变量）
+    np.random.seed(42)
+    n = 80
+    x1 = np.random.randn(n)
+    x2 = np.random.randn(n)
+    z1 = np.random.randn(n)  # 工具变量
+    z2 = np.random.randn(n)  # 工具变量
+    # 真实模型: y = 2 + 3*x1 + 2*x2 + noise
+    y = 2 + 3*x1 + 2*x2 + np.random.randn(n) * 0.5
+    
+    # 准备数据
+    x_data = [[x1[i], x2[i]] for i in range(n)]
+    instruments = [[z1[i], z2[i]] for i in range(n)]
+    y_data = y.tolist()
+    
+    # 执行GMM回归（带工具变量）
+    result = gmm_estimation(y_data, x_data, instruments=instruments, feature_names=['x1', 'x2'])
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 3, "应该有3个系数（包括常数项）"
+    
+    print("  系数:", result.coefficients)
+    print("  带工具变量的GMM测试通过")
+
+
+def test_gmm_no_constant():
+    """测试不包含常数项的GMM"""
+    print("测试不包含常数项的GMM...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 50
+    x = np.random.randn(n)
+    # 真实模型: y = 2*x + noise
+    y = 2*x + np.random.randn(n) * 0.3
+    
+    # 执行GMM回归（不包含常数项）
+    result = gmm_estimation(y.tolist(), x.tolist(), constant=False, feature_names=['x1'])
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 1, "应该有1个系数（不包括常数项）"
+    
+    print("  系数:", result.coefficients)
+    print("  不包含常数项的GMM测试通过")
+
+
+def test_gmm_errors():
+    """测试GMM错误处理"""
+    print("测试GMM错误处理...")
+    
+    # 测试空数据
+    try:
+        gmm_estimation([], [])
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  空数据错误处理正确")
+    
+    # 测试不一致的数据维度
+    try:
+        y_data = [1, 2, 3]
+        x_data = [[1, 2], [3, 4]]  # 维度不匹配
+        gmm_estimation(y_data, x_data)
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  数据维度不一致错误处理正确")
+    
+    print("  GMM错误处理测试通过")
+
+
+if __name__ == "__main__":
+    print("开始测试GMM模型...")
+    test_gmm_basic()
+    test_gmm_with_instruments()
+    test_gmm_no_constant()
+    test_gmm_errors()
+    print("所有GMM测试通过!")

econometrics/tests/basic_parametric_estimation_tests/test_mle.py

@@ -0,0 +1,127 @@
+"""
+MLE模型测试脚本
+"""
+
+import sys
+import os
+import numpy as np
+
+# 添加项目根目录到路径
+sys.path.append(os.path.join(os.path.dirname(__file__), '..', '..', '..'))
+
+from econometrics.basic_parametric_estimation.mle.mle_model import mle_estimation, MLEResult
+
+
+def test_mle_normal():
+    """测试正态分布MLE"""
+    print("测试正态分布MLE...")
+    
+    # 生成正态分布测试数据
+    np.random.seed(42)
+    data = np.random.normal(5, 2, 100).tolist()  # 均值5，标准差2
+    
+    # 执行MLE估计
+    result = mle_estimation(data, distribution="normal")
+    
+    # 验证结果类型
+    assert isinstance(result, MLEResult), "结果应为MLEResult类型"
+    
+    # 验证参数数量
+    assert len(result.parameters) == 2, "正态分布应有2个参数（均值和标准差）"
+    
+    # 验证参数名称
+    assert result.param_names == ["mu", "sigma"], "参数名称应为['mu', 'sigma']"
+    
+    # 验证统计量合理性
+    assert result.n_obs == 100, "观测数量应为100"
+    assert result.log_likelihood < 0, "对数似然值应为负数"
+    
+    print("  估计参数:", result.parameters)
+    print("  对数似然值:", result.log_likelihood)
+    print("  AIC:", result.aic)
+    print("  正态分布MLE测试通过")
+
+
+def test_mle_poisson():
+    """测试泊松分布MLE"""
+    print("测试泊松分布MLE...")
+    
+    # 生成泊松分布测试数据
+    np.random.seed(42)
+    data = np.random.poisson(3, 100).tolist()  # 均值3
+    
+    # 执行MLE估计
+    result = mle_estimation(data, distribution="poisson")
+    
+    # 验证结果类型
+    assert isinstance(result, MLEResult), "结果应为MLEResult类型"
+    
+    # 验证参数数量
+    assert len(result.parameters) == 1, "泊松分布应有1个参数"
+    
+    # 验证参数名称
+    assert result.param_names == ["lambda"], "参数名称应为['lambda']"
+    
+    print("  估计参数:", result.parameters)
+    print("  泊松分布MLE测试通过")
+
+
+def test_mle_exponential():
+    """测试指数分布MLE"""
+    print("测试指数分布MLE...")
+    
+    # 生成指数分布测试数据
+    np.random.seed(42)
+    data = np.random.exponential(2, 100).tolist()  # 均值2
+    
+    # 执行MLE估计
+    result = mle_estimation(data, distribution="exponential")
+    
+    # 验证结果类型
+    assert isinstance(result, MLEResult), "结果应为MLEResult类型"
+    
+    # 验证参数数量
+    assert len(result.parameters) == 1, "指数分布应有1个参数"
+    
+    # 验证参数名称
+    assert result.param_names == ["lambda"], "参数名称应为['lambda']"
+    
+    print("  估计参数:", result.parameters)
+    print("  指数分布MLE测试通过")
+
+
+def test_mle_errors():
+    """测试MLE错误处理"""
+    print("测试MLE错误处理...")
+    
+    # 测试空数据
+    try:
+        mle_estimation([])
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  空数据错误处理正确")
+    
+    # 测试不支持的分布类型
+    try:
+        mle_estimation([1, 2, 3], distribution="unsupported")
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  不支持的分布类型错误处理正确")
+    
+    # 测试负值的指数分布数据
+    try:
+        mle_estimation([-1, 0, 1], distribution="exponential")
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  负值指数分布数据错误处理正确")
+    
+    print("  MLE错误处理测试通过")
+
+
+if __name__ == "__main__":
+    print("开始测试MLE模型...")
+    test_mle_normal()
+    test_mle_poisson()
+    test_mle_exponential()
+    test_mle_errors()
+    print("所有MLE测试通过!")

econometrics/tests/basic_parametric_estimation_tests/test_ols.py

@@ -0,0 +1,100 @@
+"""
+OLS模型测试脚本
+"""
+
+import sys
+import os
+import numpy as np
+
+# 添加项目根目录到路径
+sys.path.append(os.path.join(os.path.dirname(__file__), '..', '..', '..'))
+
+from econometrics.basic_parametric_estimation.ols.ols_model import ols_regression, OLSResult
+
+
+def test_ols_basic():
+    """测试基本OLS功能"""
+    print("测试基本OLS功能...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 100
+    x1 = np.random.randn(n)
+    x2 = np.random.randn(n)
+    # 真实模型: y = 2 + 3*x1 + 2*x2 + noise
+    y = 2 + 3*x1 + 2*x2 + np.random.randn(n) * 0.5
+    
+    # 准备数据
+    x_data = [[x1[i], x2[i]] for i in range(n)]
+    y_data = y.tolist()
+    
+    # 执行OLS回归
+    result = ols_regression(y_data, x_data, feature_names=['x1', 'x2'])
+    
+    # 验证结果类型
+    assert isinstance(result, OLSResult), "结果应为OLSResult类型"
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 3, "应该有3个系数（包括常数项）"
+    
+    # 验证统计量合理性
+    assert 0 <= result.r_squared <= 1, "R方应在0到1之间"
+    assert result.n_obs == n, f"观测数量应为{n}"
+    
+    print("  系数:", result.coefficients)
+    print("  R方:", result.r_squared)
+    print("  调整R方:", result.adj_r_squared)
+    print("  F统计量:", result.f_statistic)
+    print("  基本OLS功能测试通过")
+
+
+def test_ols_no_constant():
+    """测试不包含常数项的OLS"""
+    print("测试不包含常数项的OLS...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 50
+    x = np.random.randn(n)
+    # 真实模型: y = 2*x + noise
+    y = 2*x + np.random.randn(n) * 0.3
+    
+    # 执行OLS回归（不包含常数项）
+    result = ols_regression(y.tolist(), x.tolist(), constant=False, feature_names=['x1'])
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 1, "应该有1个系数（不包括常数项）"
+    
+    print("  系数:", result.coefficients)
+    print("  不包含常数项的OLS测试通过")
+
+
+def test_ols_errors():
+    """测试OLS错误处理"""
+    print("测试OLS错误处理...")
+    
+    # 测试空数据
+    try:
+        ols_regression([], [])
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  空数据错误处理正确")
+    
+    # 测试不一致的数据维度
+    try:
+        y_data = [1, 2, 3]
+        x_data = [[1, 2], [3, 4]]  # 维度不匹配
+        ols_regression(y_data, x_data)
+        assert False, "应该抛出ValueError异常"
+    except ValueError:
+        print("  数据维度不一致错误处理正确")
+    
+    print("  OLS错误处理测试通过")
+
+
+if __name__ == "__main__":
+    print("开始测试OLS模型...")
+    test_ols_basic()
+    test_ols_no_constant()
+    test_ols_errors()
+    print("所有OLS测试通过!")

econometrics/tests/model_specification_diagnostics_tests/__init__.py

@@ -0,0 +1,3 @@
+"""
+模型设定、诊断与稳健推断测试模块初始化文件
+"""

econometrics/tests/model_specification_diagnostics_tests/test_diagnostic_tests.py

@@ -0,0 +1,86 @@
+"""
+诊断检验模型测试脚本
+"""
+
+import sys
+import os
+import numpy as np
+
+# 添加项目根目录到路径
+sys.path.append(os.path.join(os.path.dirname(__file__), '..', '..', '..'))
+
+# 尝试导入诊断检验模型
+try:
+    from econometrics.model_specification_diagnostics_robust_inference.diagnostic_tests.diagnostic_tests_model import diagnostic_tests, DiagnosticTestsResult
+    DIAGNOSTIC_TESTS_AVAILABLE = True
+except ImportError:
+    DIAGNOSTIC_TESTS_AVAILABLE = False
+    print("警告: 未找到诊断检验模型，相关测试将被跳过")
+
+
+def test_diagnostic_tests_basic():
+    """测试基本诊断检验功能"""
+    if not DIAGNOSTIC_TESTS_AVAILABLE:
+        print("跳过诊断检验测试（模块不可用）")
+        return
+        
+    print("测试基本诊断检验功能...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 100
+    x1 = np.random.randn(n)
+    x2 = np.random.randn(n)
+    # 真实模型: y = 2 + 3*x1 + 2*x2 + noise
+    y = 2 + 3*x1 + 2*x2 + np.random.randn(n) * 0.5
+    
+    # 准备数据
+    x_data = [[x1[i], x2[i]] for i in range(n)]
+    y_data = y.tolist()
+    
+    # 执行诊断检验
+    result = diagnostic_tests(y_data, x_data, feature_names=['x1', 'x2'])
+    
+    # 验证结果类型
+    assert isinstance(result, DiagnosticTestsResult), "结果应为DiagnosticTestsResult类型"
+    
+    # 验证统计量合理性
+    assert result.n_obs == n, f"观测数量应为{n}"
+    
+    print("  Jarque-Bera检验统计量:", result.jarque_bera_stat)
+    print("  Breusch-Pagan检验统计量:", result.breusch_pagan_stat)
+    print("  基本诊断检验功能测试通过")
+
+
+def test_diagnostic_tests_serial_correlation():
+    """测试序列相关诊断检验"""
+    if not DIAGNOSTIC_TESTS_AVAILABLE:
+        print("跳过序列相关诊断检验测试（模块不可用）")
+        return
+        
+    print("测试序列相关诊断检验...")
+    
+    # 生成带序列相关的测试数据
+    np.random.seed(42)
+    n = 100
+    # 生成自相关误差项
+    errors = [0]
+    for i in range(1, n):
+        errors.append(0.5 * errors[i-1] + np.random.randn() * 0.3)
+    
+    x = np.random.randn(n)
+    # 真实模型: y = 2 + 3*x + errors (带序列相关)
+    y = 2 + 3*x + np.array(errors)
+    
+    # 执行诊断检验
+    result = diagnostic_tests(y.tolist(), x.tolist(), feature_names=['x1'])
+    
+    print("  Durbin-Watson统计量:", result.durbin_watson_stat)
+    print("  序列相关诊断检验测试通过")
+
+
+if __name__ == "__main__":
+    print("开始测试诊断检验模型...")
+    test_diagnostic_tests_basic()
+    test_diagnostic_tests_serial_correlation()
+    print("诊断检验测试完成!")

econometrics/tests/model_specification_diagnostics_tests/test_robust_errors.py

@@ -0,0 +1,89 @@
+"""
+稳健标准误模型测试脚本
+"""
+
+import sys
+import os
+import numpy as np
+
+# 添加项目根目录到路径
+sys.path.append(os.path.join(os.path.dirname(__file__), '..', '..', '..'))
+
+# 尝试导入稳健标准误模型
+try:
+    from econometrics.model_specification_diagnostics_robust_inference.robust_errors.robust_errors_model import robust_errors_regression, RobustErrorsResult
+    ROBUST_ERRORS_AVAILABLE = True
+except ImportError:
+    ROBUST_ERRORS_AVAILABLE = False
+    print("警告: 未找到稳健标准误模型，相关测试将被跳过")
+
+
+def test_robust_errors_basic():
+    """测试基本稳健标准误功能"""
+    if not ROBUST_ERRORS_AVAILABLE:
+        print("跳过稳健标准误测试（模块不可用）")
+        return
+        
+    print("测试基本稳健标准误功能...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 100
+    x1 = np.random.randn(n)
+    x2 = np.random.randn(n)
+    # 真实模型: y = 2 + 3*x1 + 2*x2 + noise (异方差)
+    noise = np.random.randn(n) * (0.5 + 0.3 * np.abs(x1))  # 异方差噪声
+    y = 2 + 3*x1 + 2*x2 + noise
+    
+    # 准备数据
+    x_data = [[x1[i], x2[i]] for i in range(n)]
+    y_data = y.tolist()
+    
+    # 执行稳健标准误回归
+    result = robust_errors_regression(y_data, x_data, feature_names=['x1', 'x2'])
+    
+    # 验证结果类型
+    assert isinstance(result, RobustErrorsResult), "结果应为RobustErrorsResult类型"
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 3, "应该有3个系数（包括常数项）"
+    
+    # 验证统计量合理性
+    assert result.n_obs == n, f"观测数量应为{n}"
+    
+    print("  系数:", result.coefficients)
+    print("  稳健标准误:", result.robust_std_errors)
+    print("  基本稳健标准误功能测试通过")
+
+
+def test_robust_errors_no_constant():
+    """测试不包含常数项的稳健标准误"""
+    if not ROBUST_ERRORS_AVAILABLE:
+        print("跳过稳健标准误测试（模块不可用）")
+        return
+        
+    print("测试不包含常数项的稳健标准误...")
+    
+    # 生成测试数据
+    np.random.seed(42)
+    n = 50
+    x = np.random.randn(n)
+    # 真实模型: y = 2*x + noise (异方差)
+    noise = np.random.randn(n) * (0.3 + 0.2 * np.abs(x))  # 异方差噪声
+    y = 2*x + noise
+    
+    # 执行稳健标准误回归（不包含常数项）
+    result = robust_errors_regression(y.tolist(), x.tolist(), constant=False, feature_names=['x1'])
+    
+    # 验证系数数量
+    assert len(result.coefficients) == 1, "应该有1个系数（不包括常数项）"
+    
+    print("  系数:", result.coefficients)
+    print("  不包含常数项的稳健标准误测试通过")
+
+
+if __name__ == "__main__":
+    print("开始测试稳健标准误模型...")
+    test_robust_errors_basic()
+    test_robust_errors_no_constant()
+    print("稳健标准误测试完成!")

econometrics/tests/specific_data_modeling_tests/__init__.py

@@ -0,0 +1,3 @@
+"""
+特定数据建模测试模块初始化文件
+"""

econometrics/tests/specific_data_modeling_tests/test_arima.py

@@ -0,0 +1,98 @@
+"""
+ARIMA模型测试脚本
+"""
+
+import sys
+import os
+import numpy as np
+
+# 添加项目根目录到路径
+sys.path.append(os.path.join(os.path.dirname(__file__), '..', '..', '..'))
+
+from econometrics.specific_data_modeling.time_series_panel_data.arima_model import arima_model, ARIMAResult
+
+
+def test_arima_basic():
+    """测试基本ARIMA功能"""
+    print("测试基本ARIMA功能...")
+    
+    # 生成AR(1)过程数据
+    np.random.seed(42)
+    n = 100
+    ar_param = 0.6
+    data = [0]  # 初始值
+    
+    # 生成AR(1)过程: y[t] = 0.6 * y[t-1] + noise
+    for i in range(1, n):
+        data.append(ar_param * data[i-1] + np.random.randn() * 0.5)
+    
+    # 执行ARIMA模型 (1,0,0) 即 AR(1)
+    result = arima_model(data, order=(1, 0, 0), forecast_steps=5)
+    
+    # 验证结果类型
+    assert isinstance(result, ARIMAResult), "结果应为ARIMAResult类型"
+    
+    # 验证模型类型
+    assert "ARIMA(1,0,0)" in result.model_type, "模型类型应为ARIMA(1,0,0)"
+    
+    # 验证系数数量
+    assert len(result.coefficients) >= 1, "应该至少有1个系数"
+    
+    # 验证统计量合理性
+    assert result.n_obs == n, f"观测数量应为{n}"
+    assert len(result.forecast) == 5, "预测步数应为5"
+    
+    print("  模型类型:", result.model_type)
+    print("  系数:", result.coefficients)
+    print("  AIC:", result.aic)
+    print("  预测值:", result.forecast[:3], "...")
+    print("  基本ARIMA功能测试通过")
+
+
+def test_arima_integrated():
+    """测试带积分的ARIMA模型"""
+    print("测试带积分的ARIMA模型...")
+    
+    # 生成带趋势的随机游走数据
+    np.random.seed(42)
+    n = 80
+    data = [0]  # 初始值
+    
+    # 生成随机游走过程: y[t] = y[t-1] + noise
+    for i in range(1, n):
+        data.append(data[i-1] + np.random.randn() * 0.3)
+    
+    # 添加线性趋势
+    data = [data[i] + 0.1 * i for i in range(len(data))]
+    
+    # 执行ARIMA模型 (0,1,0) 即随机游走
+    result = arima_model(data, order=(0, 1, 0), forecast_steps=3)
+    
+    # 验证模型类型
+    assert "ARIMA(0,1,0)" in result.model_type, "模型类型应为ARIMA(0,1,0)"
+    
+    print("  模型类型:", result.model_type)
+    print("  预测值:", result.forecast)
+    print("  带积分的ARIMA模型测试通过")
+
+
+def test_arima_errors():
+    """测试ARIMA错误处理"""
+    print("测试ARIMA错误处理...")
+    
+    # 测试空数据
+    try:
+        arima_model([])
+        assert False, "应该抛出异常"
+    except Exception:
+        print("  空数据错误处理正确")
+    
+    print("  ARIMA错误处理测试通过")
+
+
+if __name__ == "__main__":
+    print("开始测试ARIMA模型...")
+    test_arima_basic()
+    test_arima_integrated()
+    test_arima_errors()
+    print("所有ARIMA测试通过!")