aigroup-econ-mcp 0.5.0__py3-none-any.whl → 0.7.0__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__ = "0.5.0"
+__version__ = "0.7.0"
 __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（重构版：工具描述模块化）"
 

aigroup_econ_mcp/server.py

@@ -70,7 +70,7 @@ from .tools.tool_descriptions import (
 class AppContext:
     """应用上下文，包含共享资源"""
     config: Dict[str, Any]
-    version: str = "0.2.0"
+    version: str = "0.6.0"
 
 
 @asynccontextmanager
@@ -83,7 +83,7 @@ async def lifespan(server: FastMCP) -> AsyncIterator[AppContext]:
         "data_types": ["cross_section", "time_series", "panel"]
     }
     try:
-        yield AppContext(config=config, version="0.2.0")
+        yield AppContext(config=config, version="0.6.0")
     finally:
         pass
 

aigroup_econ_mcp/tools/ml_regularization.py

@@ -130,36 +130,50 @@ def _regularized_regression(
     elif len(feature_names) != X.shape[1]:
         raise ValueError(f"特征名称数量({len(feature_names)})与自变量数量({X.shape[1]})不匹配")
     
-    # 数据标准化
+    # 检查数据质量
+    if len(y) < 5:
+        warnings.warn(f"⚠️ 警告：样本数量较少（{len(y)}个），正则化回归可能不稳定")
+    
+    # 数据标准化 - 只标准化自变量，不标准化因变量
     scaler = StandardScaler()
     X_scaled = scaler.fit_transform(X)
-    y_scaled = (y - np.mean(y)) / np.std(y)  # 标准化因变量
     
     # 选择模型
     if model_type == "lasso":
-        model = Lasso(alpha=alpha, random_state=random_state, max_iter=10000)
+        model = Lasso(alpha=alpha, random_state=random_state, max_iter=10000, tol=1e-4)
+        # 对于Lasso，如果alpha过大，建议使用更小的值
+        if alpha > 10:
+            warnings.warn(f"⚠️ 警告：Lasso正则化参数alpha={alpha}可能过大，建议尝试更小的值（如0.1-1.0）")
     elif model_type == "ridge":
         model = Ridge(alpha=alpha, random_state=random_state)
     else:
         raise ValueError(f"不支持的模型类型: {model_type}")
     
     # 训练模型
-    model.fit(X_scaled, y_scaled)
+    try:
+        model.fit(X_scaled, y)
+    except Exception as e:
+        raise ValueError(f"{model_type}模型拟合失败: {str(e)}。建议：1) 检查数据质量 2) 尝试不同的alpha值 3) 增加样本数量")
     
     # 预测
-    y_pred_scaled = model.predict(X_scaled)
-    
-    # 将预测值转换回原始尺度
-    y_pred = y_pred_scaled * np.std(y) + np.mean(y)
+    y_pred = model.predict(X_scaled)
     
     # 计算评估指标
     r2 = r2_score(y, y_pred)
     mse = mean_squared_error(y, y_pred)
     mae = mean_absolute_error(y, y_pred)
     
+    # 检查R²是否为负值
+    if r2 < 0:
+        warnings.warn(f"⚠️ 警告：{model_type}模型的R²为负值({r2:.4f})，表明模型性能比简单均值预测更差。可能原因：1) 数据噪声过大 2) 特征与目标变量无关 3) 正则化参数过大 4) 样本量过小")
+    
     # 系数（注意：由于标准化，系数需要适当解释）
     coefficients = dict(zip(feature_names, model.coef_))
     
+    # 检查系数是否全为0（Lasso过度压缩）
+    if model_type == "lasso" and all(abs(coef) < 1e-10 for coef in model.coef_):
+        warnings.warn(f"⚠️ 警告：Lasso模型所有系数都被压缩为0，表明正则化参数alpha={alpha}可能过大，建议减小alpha值")
+    
     return RegularizedRegressionResult(
         model_type=model_type,
         r2_score=r2,

aigroup_econ_mcp/tools/panel_data.py

@@ -63,6 +63,23 @@ def prepare_panel_data(
     """
     准备面板数据格式
     
+    📊 数据格式要求：
+    - 因变量(y_data): 数值列表，如 [1.2, 3.4, 5.6, ...]
+    - 自变量(X_data): 二维数值列表，如 [[1, 2], [3, 4], [5, 6], ...]
+    - 实体ID(entity_ids): 字符串列表，标识不同个体，如 ['A', 'A', 'B', 'B', ...]
+    - 时间标识符(time_periods): 字符串或数值列表，标识时间点，如 ['2020', '2020', '2021', '2021', ...]
+    
+    💡 使用示例：
+    y_data = [10, 12, 8, 9]  # 4个观测值
+    X_data = [[1, 2], [2, 3], [1, 1], [2, 2]]  # 2个自变量，4个观测值
+    entity_ids = ['A', 'A', 'B', 'B']  # 2个实体，每个实体2个时间点
+    time_periods = ['2020', '2021', '2020', '2021']  # 2个时间点
+    
+    ⚠️ 注意事项：
+    - 确保每个实体有相同的时间点数量（平衡面板）
+    - 实体ID和时间标识符的组合必须唯一
+    - 建议至少3个实体，每个实体至少2个时间点
+    
     Args:
         y_data: 因变量数据
         X_data: 自变量数据，二维列表
@@ -73,13 +90,62 @@ def prepare_panel_data(
     Returns:
         pd.DataFrame: 面板数据格式的DataFrame
     """
-    # 数据验证
+    # 数据验证 - 提供更详细的错误信息
+    if not y_data or not X_data or not entity_ids or not time_periods:
+        raise ValueError("所有输入数据都不能为空。请提供：因变量(y_data)、自变量(X_data)、实体ID(entity_ids)、时间标识符(time_periods)")
+    
     if len(y_data) != len(X_data):
-        raise ValueError("因变量和自变量的观测数量不一致")
+        raise ValueError(f"因变量和自变量的观测数量不一致：因变量有{len(y_data)}个观测值，自变量有{len(X_data)}个观测值")
+    
     if len(y_data) != len(entity_ids):
-        raise ValueError("因变量和个体标识符数量不一致")
+        raise ValueError(f"因变量和个体标识符数量不一致：因变量有{len(y_data)}个观测值，实体ID有{len(entity_ids)}个")
+    
     if len(y_data) != len(time_periods):
-        raise ValueError("因变量和时间标识符数量不一致")
+        raise ValueError(f"因变量和时间标识符数量不一致：因变量有{len(y_data)}个观测值，时间标识符有{len(time_periods)}个")
+    
+    # 检查自变量维度一致性
+    if len(X_data) > 0:
+        first_dim = len(X_data[0])
+        for i, x_row in enumerate(X_data):
+            if len(x_row) != first_dim:
+                raise ValueError(f"自变量维度不一致：第{i}行有{len(x_row)}个变量，但第一行有{first_dim}个变量")
+    
+    # 检查面板数据平衡性
+    entity_time_counts = {}
+    for entity, time_period in zip(entity_ids, time_periods):
+        key = (entity, time_period)
+        if key in entity_time_counts:
+            raise ValueError(f"重复的实体-时间组合：实体 '{entity}' 在时间 '{time_period}' 有多个观测值")
+        entity_time_counts[key] = True
+    
+    # 检查每个实体的时间点数量
+    entity_counts = {}
+    for entity in entity_ids:
+        entity_counts[entity] = entity_counts.get(entity, 0) + 1
+    
+    unique_entities = len(entity_counts)
+    if unique_entities < 2:
+        raise ValueError(f"面板数据需要至少2个不同的实体，当前只有{unique_entities}个")
+    
+    # 检查时间点数量
+    time_counts = {}
+    for time_period in time_periods:
+        time_counts[time_period] = time_counts.get(time_period, 0) + 1
+    
+    unique_times = len(time_counts)
+    if unique_times < 2:
+        raise ValueError(f"面板数据需要至少2个不同的时间点，当前只有{unique_times}个")
+    
+    # 检查是否为平衡面板
+    time_counts_per_entity = {}
+    for entity in set(entity_ids):
+        entity_times = [time for e, time in zip(entity_ids, time_periods) if e == entity]
+        time_counts_per_entity[entity] = len(set(entity_times))
+    
+    min_times = min(time_counts_per_entity.values())
+    max_times = max(time_counts_per_entity.values())
+    if min_times != max_times:
+        warnings.warn(f"⚠️ 警告：面板数据不平衡。不同实体的时间点数量不同（最少{min_times}个，最多{max_times}个）。建议使用平衡面板数据以获得更可靠的结果。")
     
     # 处理时间标识符格式兼容性
     processed_time_periods = []

aigroup_econ_mcp/tools/tool_descriptions.py

@@ -1,158 +1,425 @@
 """
-工具描述模块
-统一管理所有MCP工具的描述信息，便于维护和复用
+工具描述模块 - 优化版
+统一管理所有MCP工具的描述信息，为大模型提供详细、结构化的工具说明
+包含使用示例、参数说明、适用场景等信息，提升大模型调用体验
 """
 
-from typing import Dict, Any, List
+from typing import Dict, Any, List, Optional
 from pydantic import Field
 
 
 class ToolDescription:
-    """工具描述类"""
+    """工具描述类 - 优化版"""
     
-    def __init__(self, name: str, description: str, field_descriptions: Dict[str, str] = None):
+    def __init__(self, name: str, description: str, field_descriptions: Dict[str, str] = None,
+                 examples: Optional[List[str]] = None, use_cases: Optional[List[str]] = None):
         self.name = name
         self.description = description
         self.field_descriptions = field_descriptions or {}
+        self.examples = examples or []
+        self.use_cases = use_cases or []
     
     def get_field_description(self, field_name: str, default: str = "") -> str:
         """获取字段描述"""
         return self.field_descriptions.get(field_name, default)
+    
+    def get_full_description(self) -> str:
+        """获取完整描述，包含示例和用例"""
+        full_desc = self.description
+        if self.examples:
+            full_desc += "\n\n使用示例:\n" + "\n".join(f"- {example}" for example in self.examples)
+        if self.use_cases:
+            full_desc += "\n\n适用场景:\n" + "\n".join(f"- {use_case}" for use_case in self.use_cases)
+        return full_desc
 
 
 # ============================================================================
-# 基础统计工具描述 (5个)
+# 基础统计工具描述 (5个) - 优化版
 # ============================================================================
 
 DESCRIPTIVE_STATISTICS = ToolDescription(
     name="descriptive_statistics",
-    description="计算描述性统计量\n\n支持三种输入方式（按优先级）：\n1. file_path: 文件路径 (如 \"data.csv\")\n2. file_content: 文件内容字符串\n3. data: 直接传入数据字典",
+    description="""计算描述性统计量
+
+功能说明:
+- 计算数据的均值、标准差、最小值、最大值、中位数、四分位数等
+- 支持数值型数据的全面统计分析
+- 自动识别异常值和数据分布特征
+
+输入方式优先级:
+1. file_path: 文件路径 (推荐使用，支持CSV/JSON格式)
+2. file_content: 文件内容字符串 (适合小文件)
+3. data: 直接传入数据字典 (适合内存数据)
+
+输出包含:
+- 基本统计量: 均值、标准差、最小值、最大值
+- 分布统计: 中位数、四分位数、偏度、峰度
+- 数据质量: 缺失值统计、异常值检测""",
     field_descriptions={
-        "file_path": "CSV/JSON文件路径",
-        "file_content": "CSV/JSON文件内容",
-        "file_format": "文件格式(csv/json/auto)",
-        "data": "数据字典(直接数据输入)"
-    }
+        "file_path": "CSV/JSON文件路径。支持相对路径和绝对路径，文件应包含数值型数据列",
+        "file_content": "CSV/JSON文件内容字符串。适合小文件直接传输，避免路径依赖",
+        "file_format": "文件格式: csv/json/auto。auto模式自动检测文件格式",
+        "data": "数据字典格式: {'变量名1': [值1, 值2, ...], '变量名2': [值1, 值2, ...]}"
+    },
+    examples=[
+        "分析GDP数据的分布特征",
+        "计算股票收益率的描述性统计",
+        "评估消费者收入数据的集中趋势和离散程度"
+    ],
+    use_cases=[
+        "数据探索性分析(EDA)",
+        "数据质量评估",
+        "变量分布特征分析",
+        "异常值检测"
+    ]
 )
 
 OLS_REGRESSION = ToolDescription(
     name="ols_regression",
-    description="OLS回归分析\n\n支持文件输入或直接数据输入。文件格式示例：\nCSV: 最后一列为因变量，其余列为自变量",
+    description="""OLS回归分析
+
+功能说明:
+- 执行普通最小二乘法(OLS)回归分析
+- 估计回归系数、标准误、t统计量、p值
+- 计算模型拟合优度(R²、调整R²)
+- 进行模型显著性检验(F检验)
+
+数据格式要求:
+- 文件输入: CSV文件最后一列为因变量，其余列为自变量
+- 直接输入: 提供y_data(因变量)和x_data(自变量矩阵)
+- 支持特征名称自定义
+
+模型输出:
+- 回归系数估计值和统计显著性
+- 模型拟合优度指标
+- 残差分析和诊断统计量
+- 置信区间和预测区间""",
     field_descriptions={
-        "file_path": "CSV/JSON文件路径",
-        "file_content": "CSV/JSON文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量(直接输入)",
-        "x_data": "自变量(直接输入)",
-        "feature_names": "特征名称"
-    }
+        "file_path": "CSV/JSON文件路径。CSV格式: 最后一列为因变量，其余列为自变量",
+        "file_content": "CSV/JSON文件内容字符串。JSON格式: {'y': [因变量], 'x1': [自变量1], ...}",
+        "file_format": "文件格式: csv/json/auto。推荐使用CSV格式",
+        "y_data": "因变量数据列表，如 [1.2, 3.4, 5.6, ...]",
+        "x_data": "自变量数据矩阵，如 [[1, 2], [3, 4], [5, 6], ...]",
+        "feature_names": "自变量名称列表，如 ['GDP', 'Population', 'Investment']"
+    },
+    examples=[
+        "分析GDP增长与投资、消费的关系",
+        "预测房价与面积、位置、房龄的关系",
+        "研究教育水平对收入的影响"
+    ],
+    use_cases=[
+        "经济变量关系分析",
+        "商业预测建模",
+        "政策效果评估",
+        "影响因素识别"
+    ]
 )
 
 HYPOTHESIS_TESTING = ToolDescription(
     name="hypothesis_testing",
-    description="假设检验 - 支持文件或直接数据输入",
+    description="""假设检验分析
+
+功能说明:
+- t检验: 比较两组数据的均值差异
+- ADF检验: 时间序列平稳性检验
+- 支持单样本、双样本检验
+- 自动计算检验统计量和p值
+
+检验类型说明:
+- t_test: 学生t检验，用于均值比较
+- adf: Augmented Dickey-Fuller检验，用于时间序列平稳性
+
+数据要求:
+- 单样本检验: 只需提供data参数
+- 双样本检验: 提供data和data2参数
+- 时间序列检验: 使用adf检验类型""",
     field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "第一组数据",
-        "data2": "第二组数据",
-        "test_type": "检验类型(t_test/adf)"
-    }
+        "file_path": "数据文件路径。支持单变量或多变量数据",
+        "file_content": "文件内容字符串。适合小数据集",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "第一组数据或单样本数据，数值列表格式",
+        "data2": "第二组数据(双样本检验时使用)，数值列表格式",
+        "test_type": "检验类型: t_test(均值检验)/adf(平稳性检验)"
+    },
+    examples=[
+        "检验两组学生的考试成绩是否有显著差异",
+        "检验GDP时间序列是否平稳",
+        "比较新旧营销策略的效果差异"
+    ],
+    use_cases=[
+        "A/B测试结果验证",
+        "时间序列平稳性分析",
+        "均值差异显著性检验",
+        "实验效果评估"
+    ]
 )
 
 TIME_SERIES_ANALYSIS = ToolDescription(
     name="time_series_analysis",
-    description="时间序列分析 - 支持文件或直接数据输入",
+    description="""时间序列分析
+
+功能说明:
+- 时间序列趋势分析和季节性分解
+- 自相关函数(ACF)和偏自相关函数(PACF)分析
+- 平稳性检验和单位根检验
+- 时间序列模型诊断
+
+分析内容:
+- 趋势成分: 长期变化趋势
+- 季节成分: 周期性波动
+- 残差成分: 随机波动
+- 自相关性: 时间依赖性分析""",
     field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "时间序列数据"
-    }
+        "file_path": "时间序列数据文件路径。支持单变量时间序列",
+        "file_content": "文件内容字符串。数据应按时间顺序排列",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "时间序列数据，数值列表格式，如 [100, 105, 110, 115, ...]"
+    },
+    examples=[
+        "分析GDP季度数据的趋势和季节性",
+        "分解股票价格的趋势和波动成分",
+        "检验销售数据的自相关性"
+    ],
+    use_cases=[
+        "经济周期分析",
+        "销售预测建模",
+        "金融市场分析",
+        "季节性调整"
+    ]
 )
 
 CORRELATION_ANALYSIS = ToolDescription(
     name="correlation_analysis",
-    description="相关性分析 - 支持文件或直接数据输入",
+    description="""相关性分析
+
+功能说明:
+- 计算变量间的相关系数矩阵
+- 支持Pearson、Spearman、Kendall相关系数
+- 可视化相关矩阵(可选)
+- 显著性检验和置信区间
+
+相关系数类型:
+- pearson: 皮尔逊相关系数，衡量线性关系
+- spearman: 斯皮尔曼等级相关系数，衡量单调关系
+- kendall: 肯德尔等级相关系数，稳健性更好
+
+应用场景:
+- 变量关系探索
+- 多重共线性检测
+- 特征选择辅助""",
     field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量数据",
-        "method": "相关系数类型"
-    }
+        "file_path": "多变量数据文件路径。每列代表一个变量",
+        "file_content": "文件内容字符串。支持多变量数据",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "多变量数据字典，如 {'GDP': [值], 'Population': [值], ...}",
+        "method": "相关系数类型: pearson(默认)/spearman/kendall"
+    },
+    examples=[
+        "分析经济指标间的相关性",
+        "研究股票收益率的相关性结构",
+        "探索消费者行为变量间的关系"
+    ],
+    use_cases=[
+        "变量关系探索",
+        "多重共线性检测",
+        "投资组合相关性分析",
+        "市场联动性研究"
+    ]
 )
 
 
 # ============================================================================
-# 面板数据工具描述 (4个)
+# 面板数据工具描述 (4个) - 优化版
 # ============================================================================
 
 PANEL_FIXED_EFFECTS = ToolDescription(
     name="panel_fixed_effects",
-    description="固定效应模型 - 支持文件输入",
+    description="""固定效应模型
+
+功能说明:
+- 处理面板数据的固定效应模型
+- 控制个体固定效应和/或时间固定效应
+- 消除不随时间变化的个体异质性
+- 提供稳健的标准误估计
+
+模型特点:
+- 实体效应: 控制个体间不可观测的固定差异
+- 时间效应: 控制时间趋势和宏观冲击
+- 双向固定效应: 同时控制实体和时间效应
+
+数据格式要求:
+- 必须包含实体ID列和时间列
+- 实体ID列名识别: entity_id, id, entity, firm, company, country, region
+- 时间列名识别: time_period, time, date, year, month, period, quarter
+
+适用场景:
+- 个体间存在不可观测的固定差异
+- 需要控制个体特异性因素
+- 数据存在明显的个体效应""",
     field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称",
-        "entity_effects": "是否包含实体效应",
-        "time_effects": "是否包含时间效应"
-    }
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列，支持自动识别列名",
+        "file_content": "文件内容字符串。CSV格式，包含实体ID、时间和变量列",
+        "file_format": "文件格式: csv/auto。面板数据推荐使用CSV格式",
+        "y_data": "因变量数据列表，数值格式",
+        "x_data": "自变量数据矩阵，二维列表格式",
+        "entity_ids": "实体ID列表，字符串格式，如 ['A', 'B', 'C', ...]",
+        "time_periods": "时间周期列表，字符串格式，如 ['2020', '2021', '2022', ...]",
+        "feature_names": "自变量名称列表，如 ['Investment', 'Employment', 'R&D']",
+        "entity_effects": "是否包含实体固定效应，默认True",
+        "time_effects": "是否包含时间固定效应，默认False"
+    },
+    examples=[
+        "分析不同公司的研发投入对利润的影响(控制公司固定效应)",
+        "研究各国教育支出对经济增长的影响(控制国家固定效应)",
+        "评估政策改革效果(控制个体和时间双向效应)"
+    ],
+    use_cases=[
+        "公司财务面板数据分析",
+        "国家宏观经济面板研究",
+        "政策评估和效果分析",
+        "个体异质性控制"
+    ]
 )
 
 PANEL_RANDOM_EFFECTS = ToolDescription(
     name="panel_random_effects",
-    description="随机效应模型 - 支持文件输入",
+    description="""随机效应模型
+
+功能说明:
+- 处理面板数据的随机效应模型
+- 假设个体效应与解释变量不相关
+- 更有效地利用数据信息
+- 适用于大样本面板数据
+
+模型特点:
+- 个体效应被视为随机变量
+- 允许个体间存在相关性
+- 比固定效应模型更高效
+- 可以估计不随时间变化的变量
+
+与固定效应比较:
+- 随机效应假设更强(个体效应与解释变量不相关)
+- 固定效应更稳健但损失信息
+- 可通过Hausman检验选择合适模型
+
+数据要求:
+- 与固定效应模型相同的数据格式
+- 需要实体ID和时间信息""",
     field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称",
-        "entity_effects": "是否包含实体效应",
-        "time_effects": "是否包含时间效应"
-    }
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列，支持自动识别",
+        "file_content": "文件内容字符串。CSV格式的面板数据",
+        "file_format": "文件格式: csv/auto",
+        "y_data": "因变量数据列表，数值格式",
+        "x_data": "自变量数据矩阵，二维列表格式",
+        "entity_ids": "实体ID列表，字符串格式",
+        "time_periods": "时间周期列表，字符串格式",
+        "feature_names": "自变量名称列表",
+        "entity_effects": "是否包含实体随机效应，默认True",
+        "time_effects": "是否包含时间随机效应，默认False"
+    },
+    examples=[
+        "分析企业特征对绩效的影响(假设企业效应随机)",
+        "研究家庭特征对消费行为的影响",
+        "评估地区特征对经济发展的影响"
+    ],
+    use_cases=[
+        "大样本面板数据分析",
+        "个体效应与解释变量相关性较弱的情况",
+        "需要估计不随时间变化变量的影响",
+        "效率优先的分析场景"
+    ]
 )
 
 PANEL_HAUSMAN_TEST = ToolDescription(
     name="panel_hausman_test",
-    description="Hausman检验 - 支持文件输入",
+    description="""Hausman检验
+
+功能说明:
+- 检验固定效应模型与随机效应模型的选择
+- 基于模型估计差异的统计检验
+- 帮助选择合适的面板数据模型
+- 提供检验统计量和p值
+
+检验原理:
+- 零假设: 随机效应模型是合适的
+- 备择假设: 固定效应模型更合适
+- 检验统计量服从卡方分布
+
+决策规则:
+- p值 < 0.05: 拒绝零假设，选择固定效应模型
+- p值 >= 0.05: 不拒绝零假设，选择随机效应模型
+
+数据要求:
+- 与固定效应和随机效应模型相同的数据格式""",
     field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列",
+        "file_content": "文件内容字符串。面板数据格式",
+        "file_format": "文件格式: csv/auto",
+        "y_data": "因变量数据列表",
+        "x_data": "自变量数据矩阵",
         "entity_ids": "实体ID列表",
         "time_periods": "时间周期列表",
-        "feature_names": "特征名称"
-    }
+        "feature_names": "自变量名称列表"
+    },
+    examples=[
+        "检验企业面板数据应该使用固定效应还是随机效应模型",
+        "选择国家面板数据的合适模型形式",
+        "确定个体效应是否与解释变量相关"
+    ],
+    use_cases=[
+        "面板数据模型选择",
+        "固定效应与随机效应比较",
+        "模型设定检验",
+        "实证研究模型验证"
+    ]
 )
 
 PANEL_UNIT_ROOT_TEST = ToolDescription(
     name="panel_unit_root_test",
-    description="面板单位根检验 - 支持文件输入",
+    description="""面板单位根检验
+
+功能说明:
+- 检验面板数据中变量的平稳性
+- 支持多种面板单位根检验方法
+- 检测面板数据的非平稳性
+- 为面板协整分析提供基础
+
+检验类型:
+- levinlin: Levin-Lin-Chu检验，假设共同单位根过程
+- 其他方法: 支持多种面板单位根检验
+
+数据要求:
+- 至少3个实体，每个实体至少5个时间点
+- 平衡或不平衡面板数据
+- 包含实体ID和时间信息
+
+应用意义:
+- 平稳性是面板数据建模的前提
+- 非平稳数据可能导致伪回归
+- 为面板协整分析做准备""",
     field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)。数据量要求：至少3个实体，每个实体至少5个时间点",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "时间序列数据",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称",
-        "test_type": "检验类型"
-    }
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列，数据量要求: 至少3个实体，每个实体至少5个时间点",
+        "file_content": "文件内容字符串。面板数据格式，满足最小数据量要求",
+        "file_format": "文件格式: csv/auto",
+        "data": "时间序列数据，单变量格式",
+        "y_data": "因变量数据(从面板数据转换)",
+        "x_data": "自变量数据(从面板数据转换，通常忽略)",
+        "entity_ids": "实体ID列表，用于识别不同个体",
+        "time_periods": "时间周期列表，用于时间维度识别",
+        "feature_names": "特征名称(从面板数据转换，通常忽略)",
+        "test_type": "检验类型: levinlin(默认)/其他面板单位根检验方法"
+    },
+    examples=[
+        "检验各国GDP面板数据是否平稳",
+        "检测公司股价面板数据的单位根",
+        "验证宏观经济面板变量的平稳性"
+    ],
+    use_cases=[
+        "面板数据平稳性检验",
+        "面板协整分析前提检验",
+        "面板数据建模前的诊断",
+        "非平稳面板数据处理"
+    ]
 )
 
 
@@ -162,29 +429,96 @@ PANEL_UNIT_ROOT_TEST = ToolDescription(
 
 VAR_MODEL_ANALYSIS = ToolDescription(
     name="var_model_analysis",
-    description="VAR模型分析 - 支持文件输入",
+    description="""VAR模型分析
+
+功能说明:
+- 向量自回归(VAR)模型分析
+- 分析多个时间序列变量间的动态关系
+- 估计变量间的相互影响和滞后效应
+- 进行脉冲响应分析和预测
+
+模型特点:
+- 多变量时间序列建模
+- 变量间相互影响分析
+- 滞后效应估计
+- 动态系统建模
+
+信息准则类型:
+- aic: Akaike信息准则
+- bic: Bayesian信息准则
+- hqic: Hannan-Quinn信息准则
+
+应用场景:
+- 宏观经济变量联动分析
+- 金融市场波动传导
+- 多变量预测建模""",
     field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量时间序列数据",
-        "max_lags": "最大滞后阶数",
-        "ic": "信息准则类型"
-    }
+        "file_path": "多变量时间序列文件路径。支持CSV/JSON格式",
+        "file_content": "文件内容字符串。多变量时间序列数据",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "多变量时间序列数据字典，如 {'GDP': [值], 'CPI': [值], ...}",
+        "max_lags": "最大滞后阶数，用于模型阶数选择，默认5",
+        "ic": "信息准则类型: aic(默认)/bic/hqic，用于最优滞后阶数选择"
+    },
+    examples=[
+        "分析GDP、CPI、利率等宏观经济变量的动态关系",
+        "研究股票市场、债券市场、外汇市场的联动效应",
+        "预测多变量经济系统的未来走势"
+    ],
+    use_cases=[
+        "宏观经济政策分析",
+        "金融市场联动研究",
+        "多变量预测建模",
+        "动态系统分析"
+    ]
 )
 
 VECM_MODEL_ANALYSIS = ToolDescription(
     name="vecm_model_analysis",
-    description="VECM模型分析 - 支持文件输入",
+    description="""VECM模型分析
+
+功能说明:
+- 向量误差修正模型(VECM)分析
+- 处理非平稳时间序列的协整关系
+- 估计长期均衡关系和短期调整机制
+- 分析变量间的长期和短期动态
+
+模型特点:
+- 基于VAR模型的协整扩展
+- 长期均衡关系建模
+- 短期调整机制分析
+- 误差修正项估计
+
+确定性项类型:
+- co: 常数项在协整关系中
+- c: 常数项在VAR中
+- ct: 常数项和趋势项
+- none: 无确定性项
+
+应用场景:
+- 非平稳时间序列的长期关系分析
+- 经济变量的均衡关系研究
+- 协整系统的动态调整分析""",
     field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量时间序列数据",
-        "coint_rank": "协整秩",
-        "deterministic": "确定性项类型",
-        "max_lags": "最大滞后阶数"
-    }
+        "file_path": "多变量时间序列文件路径。支持非平稳时间序列",
+        "file_content": "文件内容字符串。多变量非平稳时间序列",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "多变量时间序列数据字典",
+        "coint_rank": "协整秩，表示协整关系数量，默认1",
+        "deterministic": "确定性项类型: co(默认)/c/ct/none",
+        "max_lags": "最大滞后阶数，用于模型估计，默认5"
+    },
+    examples=[
+        "分析GDP和消费的长期均衡关系",
+        "研究汇率和利率的协整关系",
+        "估计股票价格和交易量的误差修正机制"
+    ],
+    use_cases=[
+        "非平稳时间序列建模",
+        "长期均衡关系分析",
+        "协整系统动态研究",
+        "经济变量均衡分析"
+    ]
 )
 
 GARCH_MODEL_ANALYSIS = ToolDescription(
@@ -267,16 +601,62 @@ GRADIENT_BOOSTING_REGRESSION_ANALYSIS = ToolDescription(
 
 LASSO_REGRESSION_ANALYSIS = ToolDescription(
     name="lasso_regression_analysis",
-    description="Lasso回归 - 支持文件输入",
+    description="""Lasso回归分析
+
+📊 功能说明：
+Lasso回归使用L1正则化进行特征选择和稀疏建模，能够自动将不重要的特征系数压缩为0。
+
+📈 算法特点：
+- 特征选择：自动识别重要特征，压缩冗余特征系数为0
+- 稀疏解：产生稀疏的系数向量，提高模型可解释性
+- 处理多重共线性：对高度相关的特征进行选择
+- 正则化强度控制：通过alpha参数控制特征选择的严格程度
+
+💡 适用场景：
+- 高维数据特征选择（特征数量 > 样本数量）
+- 多重共线性问题
+- 稀疏建模需求
+- 可解释性要求高的场景
+- 变量筛选和降维
+
+⚠️ 注意事项：
+- 对alpha参数敏感，建议尝试多个值（如0.01, 0.1, 1.0, 10.0）
+- 可能过度压缩重要特征，导致信息损失
+- 需要数据标准化
+- R²为负值时表明模型性能比简单均值预测更差
+- 样本量过小时可能不稳定
+
+🔧 参数建议：
+- alpha: 正则化强度，默认1.0
+  - 小alpha(0.01-0.1): 轻微正则化，保留更多特征
+  - 中等alpha(0.1-1.0): 平衡特征选择和模型拟合
+  - 大alpha(>1.0): 强正则化，压缩更多特征
+
+📋 数据要求：
+- 至少5个样本
+- 数值型数据
+- 建议特征数量不超过样本数量的80%""",
     field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "alpha": "正则化参数"
-    }
+        "file_path": "CSV/JSON文件路径。CSV格式: 最后一列为因变量，其余列为自变量",
+        "file_content": "文件内容字符串。JSON格式: {'y': [因变量], 'x1': [自变量1], ...}",
+        "file_format": "文件格式: csv/json/auto",
+        "y_data": "因变量数据列表，数值格式，如 [1.2, 3.4, 5.6, ...]",
+        "x_data": "自变量数据矩阵，二维列表格式，如 [[1, 2], [3, 4], [5, 6], ...]",
+        "feature_names": "自变量名称列表，如 ['GDP', 'Population', 'Investment']",
+        "alpha": "正则化强度参数，控制特征选择的严格程度，默认1.0。建议尝试多个值进行调优"
+    },
+    examples=[
+        "从100个经济指标中选择影响GDP增长的关键因素",
+        "在消费者行为数据中识别最重要的预测变量",
+        "处理高度相关的宏观经济变量进行预测建模"
+    ],
+    use_cases=[
+        "高维数据特征选择",
+        "变量重要性排序",
+        "多重共线性处理",
+        "稀疏线性建模",
+        "可解释机器学习"
+    ]
 )
 
 RIDGE_REGRESSION_ANALYSIS = ToolDescription(

aigroup_econ_mcp/tools/tool_handlers.py

@@ -228,28 +228,92 @@ async def handle_correlation_analysis(ctx, data: Dict[str, List[float]],
 
 
 # 面板数据处理器
-async def handle_panel_fixed_effects(ctx, y_data, x_data, entity_ids, time_periods, 
+async def handle_panel_fixed_effects(ctx, y_data, x_data, entity_ids, time_periods,
                                     feature_names=None, entity_effects=True, time_effects=False, **kwargs):
+    """处理固定效应模型 - 统一输出格式"""
     result = fixed_effects_model(y_data, x_data, entity_ids, time_periods, feature_names, entity_effects, time_effects)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 固定效应模型分析结果
+
+🔍 模型拟合信息：
+- R² = {result.rsquared:.4f}
+- 调整R² = {result.rsquared_adj:.4f}
+- F统计量 = {result.f_statistic:.4f} (p = {result.f_pvalue:.4f})
+- AIC = {result.aic:.2f}, BIC = {result.bic:.2f}
+- 观测数量 = {result.n_obs}
+- 个体效应 = {'是' if result.entity_effects else '否'}
+- 时间效应 = {'是' if result.time_effects else '否'}
+
+📈 回归系数详情："""
+    
+    # 添加系数信息
+    for var_name, coef_info in result.coefficients.items():
+        significance = "***" if coef_info["p_value"] < 0.01 else "**" if coef_info["p_value"] < 0.05 else "*" if coef_info["p_value"] < 0.1 else ""
+        result_text += f"\n- {var_name}: {coef_info['coef']:.4f}{significance} (se={coef_info['std_err']:.4f}, p={coef_info['p_value']:.4f})"
+    
+    result_text += "\n\n💡 模型说明：固定效应模型通过组内变换消除个体固定差异，适用于个体间存在不可观测固定特征的情况。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"固定效应模型: R²={result.rsquared:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_panel_random_effects(ctx, y_data, x_data, entity_ids, time_periods,
                                      feature_names=None, entity_effects=True, time_effects=False, **kwargs):
+    """处理随机效应模型 - 统一输出格式"""
     result = random_effects_model(y_data, x_data, entity_ids, time_periods, feature_names, entity_effects, time_effects)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 随机效应模型分析结果
+
+🔍 模型拟合信息：
+- R² = {result.rsquared:.4f}
+- 调整R² = {result.rsquared_adj:.4f}
+- F统计量 = {result.f_statistic:.4f} (p = {result.f_pvalue:.4f})
+- AIC = {result.aic:.2f}, BIC = {result.bic:.2f}
+- 观测数量 = {result.n_obs}
+- 个体效应 = {'是' if result.entity_effects else '否'}
+- 时间效应 = {'是' if result.time_effects else '否'}
+
+📈 回归系数详情："""
+    
+    # 添加系数信息
+    for var_name, coef_info in result.coefficients.items():
+        significance = "***" if coef_info["p_value"] < 0.01 else "**" if coef_info["p_value"] < 0.05 else "*" if coef_info["p_value"] < 0.1 else ""
+        result_text += f"\n- {var_name}: {coef_info['coef']:.4f}{significance} (se={coef_info['std_err']:.4f}, p={coef_info['p_value']:.4f})"
+    
+    result_text += "\n\n💡 模型说明：随机效应模型假设个体差异是随机的，比固定效应模型更有效率，但需要满足个体效应与解释变量不相关的假设。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"随机效应模型: R²={result.rsquared:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_panel_hausman_test(ctx, y_data, x_data, entity_ids, time_periods, feature_names=None, **kwargs):
+    """处理Hausman检验 - 统一输出格式"""
     result = hausman_test(y_data, x_data, entity_ids, time_periods, feature_names)
+    
+    result_text = f"""📊 Hausman检验结果
+
+🔍 检验信息：
+- 检验统计量 = {result.statistic:.4f}
+- p值 = {result.p_value:.4f}
+- 显著性 = {'是' if result.significant else '否'} (5%水平)
+
+💡 模型选择建议：
+{result.recommendation}
+
+📋 决策规则：
+- p值 < 0.05: 拒绝原假设，选择固定效应模型
+- p值 >= 0.05: 不能拒绝原假设，选择随机效应模型
+
+🔬 检验原理：Hausman检验用于判断个体效应是否与解释变量相关。原假设为随机效应模型是一致的。"""
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"Hausman检验: p={result.p_value:.4f}, 建议={result.recommendation}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
@@ -347,17 +411,81 @@ async def handle_gradient_boosting(ctx, y_data, x_data, feature_names=None,
 
 
 async def handle_lasso_regression(ctx, y_data, x_data, feature_names=None, alpha=1.0, **kwargs):
+    """处理Lasso回归 - 统一输出格式"""
     result = lasso_regression(y_data, x_data, feature_names, alpha)
+    
+    # 检查R²是否为负值
+    r2_warning = ""
+    if result.r2_score < 0:
+        r2_warning = f"\n⚠️ 警告：R²为负值({result.r2_score:.4f})，表明模型性能比简单均值预测更差。建议：1) 检查数据质量 2) 尝试更小的alpha值 3) 增加样本数量"
+    
+    # 检查系数是否全为0
+    coef_warning = ""
+    if all(abs(coef) < 1e-10 for coef in result.coefficients.values()):
+        coef_warning = f"\n⚠️ 警告：所有系数都被压缩为0，正则化参数alpha={alpha}可能过大，建议减小alpha值"
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 Lasso回归分析结果
+
+🔍 模型拟合信息：
+- R² = {result.r2_score:.4f}
+- 均方误差(MSE) = {result.mse:.4f}
+- 平均绝对误差(MAE) = {result.mae:.4f}
+- 样本数量 = {result.n_obs}
+- 正则化参数(alpha) = {result.alpha}
+{r2_warning}{coef_warning}
+
+📈 回归系数详情："""
+    
+    # 添加系数信息，按绝对值排序
+    sorted_coefficients = sorted(result.coefficients.items(), key=lambda x: abs(x[1]), reverse=True)
+    for var_name, coef in sorted_coefficients:
+        if abs(coef) > 1e-10:  # 只显示非零系数
+            result_text += f"\n- {var_name}: {coef:.4f}"
+        else:
+            result_text += f"\n- {var_name}: 0.0000 (被压缩)"
+    
+    result_text += f"\n\n💡 模型说明：Lasso回归使用L1正则化进行特征选择，能够自动将不重要的特征系数压缩为0，适用于高维数据和特征选择场景。"
+    result_text += f"\n\n⚠️ 注意事项：由于数据标准化，系数大小需要谨慎解释。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"Lasso回归: R²={result.r2_score:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_ridge_regression(ctx, y_data, x_data, feature_names=None, alpha=1.0, **kwargs):
+    """处理Ridge回归 - 统一输出格式"""
     result = ridge_regression(y_data, x_data, feature_names, alpha)
+    
+    # 检查R²是否为负值
+    r2_warning = ""
+    if result.r2_score < 0:
+        r2_warning = f"\n⚠️ 警告：R²为负值({result.r2_score:.4f})，表明模型性能比简单均值预测更差。建议：1) 检查数据质量 2) 尝试更小的alpha值 3) 增加样本数量"
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 Ridge回归分析结果
+
+🔍 模型拟合信息：
+- R² = {result.r2_score:.4f}
+- 均方误差(MSE) = {result.mse:.4f}
+- 平均绝对误差(MAE) = {result.mae:.4f}
+- 样本数量 = {result.n_obs}
+- 正则化参数(alpha) = {result.alpha}
+{r2_warning}
+
+📈 回归系数详情："""
+    
+    # 添加系数信息，按绝对值排序
+    sorted_coefficients = sorted(result.coefficients.items(), key=lambda x: abs(x[1]), reverse=True)
+    for var_name, coef in sorted_coefficients:
+        result_text += f"\n- {var_name}: {coef:.4f}"
+    
+    result_text += f"\n\n💡 模型说明：Ridge回归使用L2正则化处理多重共线性问题，对所有系数进行收缩但不进行特征选择，适用于需要稳定估计的场景。"
+    result_text += f"\n\n⚠️ 注意事项：由于数据标准化，系数大小需要谨慎解释。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"Ridge回归: R²={result.r2_score:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 

{aigroup_econ_mcp-0.5.0.dist-info → aigroup_econ_mcp-0.7.0.dist-info}/METADATA

@@ -1,7 +1,7 @@
 Metadata-Version: 2.4
 Name: aigroup-econ-mcp
-Version: 0.5.0
-Summary: 专业计量经济学MCP工具 - 让大模型直接进行数据分析（重构版：工具描述模块化）
+Version: 0.7.0
+Summary: 专业计量经济学MCP工具 - 让大模型直接进行数据分析（优化版：增强工具描述，提升大模型调用体验）
 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

{aigroup_econ_mcp-0.5.0.dist-info → aigroup_econ_mcp-0.7.0.dist-info}/RECORD

@@ -1,7 +1,7 @@
-aigroup_econ_mcp/__init__.py,sha256=PdZxvF3Zn-a5rHMnRTZ8JgtNcmmtJ0IKJc6Clz4QCL4,511
+aigroup_econ_mcp/__init__.py,sha256=-mhTcro4v3VCeyT-6G6yFwfwcW15xLnKLigWSUdN7Ws,511
 aigroup_econ_mcp/cli.py,sha256=7yeNXWNwMdpUswAO4LsqAvb0EmCO3S6Bs6sl483uSXI,3363
 aigroup_econ_mcp/config.py,sha256=ab5X4-H8isIe2nma0c0AOqlyYgwhf5kfe9Zx5XRrzIo,18876
-aigroup_econ_mcp/server.py,sha256=Nqgu5bkAChdBH23Z8KmR14FO5ZDD7T6Hbug3m51ujHU,30899
+aigroup_econ_mcp/server.py,sha256=pmE-n8NwU3xqzJBVdgXBTSSHmt_RDIG9lYMYi8rL9fM,30899
 aigroup_econ_mcp/tools/__init__.py,sha256=WYrsZX3Emv09c8QikvtG2BouUFZCguYkQ7eDjuwarAg,396
 aigroup_econ_mcp/tools/base.py,sha256=Mv_mcKVTIg9A2dsqBBiU74_Ai2nb5sn2S3U4CNOxLKw,15218
 aigroup_econ_mcp/tools/cache.py,sha256=Urv2zuycp5dS7Qh-XQWEMrwszq9RZ-il8cz_-WniGgc,15311
@@ -11,20 +11,20 @@ aigroup_econ_mcp/tools/machine_learning.py,sha256=PpxrJVJw4eND95Wl0uGPEqUHXrIwTU
 aigroup_econ_mcp/tools/ml_ensemble.py,sha256=XOL0PzCsx9LY_pFbKCAxjYdGny-HqEhlZyov2r1l3ww,6475
 aigroup_econ_mcp/tools/ml_evaluation.py,sha256=hiwVW3-N0hnSAJfZW4luOCXt3sTh1W9Hj3CwZLRVaJk,8900
 aigroup_econ_mcp/tools/ml_models.py,sha256=hJEUgARxkqYgJqu6_7eRc1WnD2HcTGxtXf8Jre_XO1U,2137
-aigroup_econ_mcp/tools/ml_regularization.py,sha256=p81UXlb9ebyRuA_hSA4phmbFvORF-MaINMlYJkWKTbo,5070
+aigroup_econ_mcp/tools/ml_regularization.py,sha256=qOWXiOZqB-IUvjHLrgKWWjNhuuxZm_both2aR-OBs1U,6124
 aigroup_econ_mcp/tools/monitoring.py,sha256=-hcw5nu5Q91FmDz39mRBsKavrTmEqXsKfGzlXr_5f0c,16708
 aigroup_econ_mcp/tools/optimized_example.py,sha256=tZVQ2jTzHY_zixTynm4Sq8gj5hz6eWg7MKqNwsxrPoQ,6784
-aigroup_econ_mcp/tools/panel_data.py,sha256=uzbgcDLXACfdi9KaMRmZdRTkhMtEyWb7p3vS3mUJ-co,19254
+aigroup_econ_mcp/tools/panel_data.py,sha256=qFZICvt9Plt2bOvCCgAveVncb_QpHvWzDssdQntKf5M,22696
 aigroup_econ_mcp/tools/regression.py,sha256=uMGRGUQo4mU1sb8fwpP2FpkCqt_e9AtqEtUpInACtJo,6443
 aigroup_econ_mcp/tools/statistics.py,sha256=2cHgNSUXwPYPLxntVOEOL8yF-x92mrgjK-R8kkxDihg,4239
 aigroup_econ_mcp/tools/time_series.py,sha256=LNCO0bYXLPilQ2kSVXA3woNp8ERVq7n3jaoQhWgTCJQ,21763
 aigroup_econ_mcp/tools/timeout.py,sha256=vNnGsR0sXW1xvIbKCF-qPUU3QNDAn_MaQgSxbGxkfW4,8404
-aigroup_econ_mcp/tools/tool_descriptions.py,sha256=nTr373CgBPESbX9cbrRPMTTN-O8fc2d1PZ_XVIIqzBY,14710
-aigroup_econ_mcp/tools/tool_handlers.py,sha256=cqv7FU95b_kjEJcZSAIGuGjUqbcCCKT0MXrmflnnelo,15028
+aigroup_econ_mcp/tools/tool_descriptions.py,sha256=yJ6c9Ue3r9HAh3o2t2aGQUu6xfZwJE8B6wC6cqDypDI,28717
+aigroup_econ_mcp/tools/tool_handlers.py,sha256=HZz_AvDtoMzqRmpu6ibZaEUEVUlqsLNifTdlVHEtInk,20613
 aigroup_econ_mcp/tools/tool_registry.py,sha256=4SFpMnReZyGfEHCCDnojwHIUEpuQICS9M2u_9xuoUck,4413
 aigroup_econ_mcp/tools/validation.py,sha256=F7LHwog5xtFIMjD9D48kd8jAF5MsZb7wjdrgaOg8EKo,16657
-aigroup_econ_mcp-0.5.0.dist-info/METADATA,sha256=EoTmsI3tVHr48fYsWc0DkfaaXh5tcsrRBqT1tpZ-sSE,10839
-aigroup_econ_mcp-0.5.0.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
-aigroup_econ_mcp-0.5.0.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
-aigroup_econ_mcp-0.5.0.dist-info/licenses/LICENSE,sha256=DoyCJUWlDzKbqc5KRbFpsGYLwLh-XJRHKQDoITjb1yc,1083
-aigroup_econ_mcp-0.5.0.dist-info/RECORD,,
+aigroup_econ_mcp-0.7.0.dist-info/METADATA,sha256=_GY3y5qGca64s-WWHsdw59nT7aG0wUEZgpLdrnFKvzo,10866
+aigroup_econ_mcp-0.7.0.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
+aigroup_econ_mcp-0.7.0.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
+aigroup_econ_mcp-0.7.0.dist-info/licenses/LICENSE,sha256=DoyCJUWlDzKbqc5KRbFpsGYLwLh-XJRHKQDoITjb1yc,1083
+aigroup_econ_mcp-0.7.0.dist-info/RECORD,,