aigroup-econ-mcp 0.6.0__py3-none-any.whl → 0.8.0__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/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

@@ -570,47 +570,193 @@ VARIANCE_DECOMPOSITION_ANALYSIS = ToolDescription(
 
 RANDOM_FOREST_REGRESSION_ANALYSIS = ToolDescription(
     name="random_forest_regression_analysis",
-    description="随机森林回归 - 支持文件输入",
+    description="""随机森林回归分析
+
+📊 功能说明：
+随机森林通过构建多个决策树并集成结果，能够处理复杂的非线性关系和特征交互。
+
+📈 算法特点：
+- 集成学习：多个决策树投票或平均结果
+- 稳健性：对异常值和噪声数据稳健
+- 特征重要性：自动计算特征重要性分数
+- 袋外评估：使用袋外样本进行模型评估
+- 并行训练：支持并行化训练加速
+
+💡 适用场景：
+- 复杂非线性关系建模
+- 特征交互分析
+- 稳健预测需求
+- 特征重要性评估
+- 大数据集处理
+
+⚠️ 注意事项：
+- 黑盒模型，可解释性较差
+- 内存消耗较大（树的数量多时）
+- 训练时间随树数量增加
+- 可能过度拟合噪声数据
+
+🔧 参数建议：
+- n_estimators: 树的数量，默认100
+  - 小数据集: 50-100
+  - 大数据集: 100-500
+- max_depth: 最大深度，默认None（无限制）
+  - 控制过拟合: 5-15
+  - 复杂关系: None（无限制）
+
+📋 数据要求：
+- 至少10个样本
+- 数值型和类别型数据
+- 支持缺失值处理""",
     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",
-        "n_estimators": "树的数量",
-        "max_depth": "最大深度"
-    }
+        "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']",
+        "n_estimators": "决策树数量，控制模型复杂度和稳定性，默认100",
+        "max_depth": "决策树最大深度，控制过拟合，默认None（无限制）"
+    },
+    examples=[
+        "预测房价与房屋特征的非线性关系",
+        "分析消费者行为与营销变量的复杂交互",
+        "评估经济指标对股票收益的影响"
+    ],
+    use_cases=[
+        "复杂非线性关系建模",
+        "特征重要性分析",
+        "稳健预测建模",
+        "大数据集处理",
+        "集成学习应用"
+    ]
 )
 
 GRADIENT_BOOSTING_REGRESSION_ANALYSIS = ToolDescription(
     name="gradient_boosting_regression_analysis",
-    description="梯度提升树回归 - 支持文件输入",
+    description="""梯度提升树回归分析
+
+📊 功能说明：
+梯度提升树通过顺序构建决策树，每棵树修正前一棵树的错误，能够处理复杂的非线性关系。
+
+📈 算法特点：
+- 顺序学习：每棵树学习前一棵树的残差
+- 高精度：通常具有很高的预测精度
+- 特征重要性：自动计算特征重要性
+- 灵活性强：可处理各种类型的数据
+- 正则化：内置正则化防止过拟合
+
+💡 适用场景：
+- 高精度预测需求
+- 复杂非线性关系
+- 小样本高维数据
+- 竞赛和性能要求高的场景
+- 特征重要性分析
+
+⚠️ 注意事项：
+- 对参数敏感，需要仔细调优
+- 训练时间较长
+- 可能过度拟合噪声数据
+- 内存消耗较大
+
+🔧 参数建议：
+- n_estimators: 树的数量，默认100
+  - 小数据集: 50-200
+  - 大数据集: 200-1000
+- learning_rate: 学习率，默认0.1
+  - 保守学习: 0.01-0.1
+  - 快速收敛: 0.1-0.3
+- max_depth: 最大深度，默认3
+  - 简单关系: 2-4
+  - 复杂关系: 5-8
+
+📋 数据要求：
+- 至少10个样本
+- 数值型和类别型数据
+- 建议进行数据标准化""",
     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",
-        "n_estimators": "树的数量",
-        "learning_rate": "学习率",
-        "max_depth": "最大深度"
-    }
+        "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']",
+        "n_estimators": "提升阶段执行的树数量，控制模型复杂度，默认100",
+        "learning_rate": "学习率，控制每棵树的贡献程度，默认0.1",
+        "max_depth": "单个回归估计器的最大深度，控制过拟合，默认3"
+    },
+    examples=[
+        "高精度预测股票价格走势",
+        "分析复杂的经济指标关系",
+        "预测消费者购买行为的精确概率",
+        "竞赛级别的预测建模"
+    ],
+    use_cases=[
+        "高精度预测建模",
+        "复杂非线性关系分析",
+        "特征重要性评估",
+        "小样本高维数据处理",
+        "竞赛级别模型构建"
+    ]
 )
 
 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

@@ -228,35 +228,99 @@ 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()
     )
 
 
 async def handle_panel_unit_root_test(ctx, **kwargs):
     """
-    处理面板单位根检验
+    处理面板单位根检验 - 统一输出格式
     
     panel_unit_root_test函数期望：data, entity_ids, time_periods
     但panel装饰器会传入：y_data, x_data, entity_ids, time_periods
@@ -280,99 +344,470 @@ async def handle_panel_unit_root_test(ctx, **kwargs):
     
     # 只传递panel_unit_root_test需要的参数
     result = panel_unit_root_test(data, entity_ids, time_periods, test_type)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 面板单位根检验结果
+
+🔍 检验信息：
+- 检验方法 = {test_type.upper()}
+- 个体数量 = {len(set(entity_ids))}
+- 时间期数 = {len(set(time_periods))}
+- 检验统计量 = {result.statistic:.4f}
+- p值 = {result.p_value:.4f}
+- 平稳性 = {'平稳' if result.stationary else '非平稳'} (5%水平)
+
+📈 检验详情："""
+    
+    # 添加检验详情信息
+    if hasattr(result, 'critical_values'):
+        result_text += f"\n- 临界值: {result.critical_values}"
+    if hasattr(result, 'lags_used'):
+        result_text += f"\n- 使用滞后阶数: {result.lags_used}"
+    if hasattr(result, 'test_statistic'):
+        result_text += f"\n- 检验统计量: {result.test_statistic:.4f}"
+    
+    result_text += f"\n\n💡 检验说明：面板单位根检验用于判断面板数据是否平稳，是面板数据分析的重要前提检验。"
+    result_text += f"\n\n⚠️ 注意事项：如果数据非平稳，需要进行差分处理或使用面板协整检验。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"面板单位根检验: {'平稳' if result.stationary else '非平稳'}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 # 时间序列处理器
 async def handle_var_model(ctx, data, max_lags=5, ic="aic", **kwargs):
+    """处理VAR模型分析 - 统一输出格式"""
     result = var_model(data, max_lags=max_lags, ic=ic)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 VAR模型分析结果
+
+🔍 模型基本信息：
+- 最优滞后阶数 = {result.order}
+- 变量数量 = {len(result.variables) if hasattr(result, 'variables') else '未知'}
+- 信息准则 = {ic.upper()}
+- AIC = {result.aic:.2f}
+- BIC = {getattr(result, 'bic', 'N/A')}
+- HQIC = {getattr(result, 'hqic', 'N/A')}
+
+📈 模型诊断信息："""
+    
+    # 添加模型诊断信息
+    if hasattr(result, 'residuals_normality'):
+        result_text += f"\n- 残差正态性检验: {result.residuals_normality}"
+    if hasattr(result, 'serial_correlation'):
+        result_text += f"\n- 序列相关性检验: {result.serial_correlation}"
+    if hasattr(result, 'stability'):
+        result_text += f"\n- 模型稳定性: {result.stability}"
+    
+    # 添加变量信息
+    if hasattr(result, 'variables'):
+        result_text += f"\n\n🔬 分析变量："
+        for var in result.variables:
+            result_text += f"\n- {var}"
+    
+    result_text += f"\n\n💡 模型说明：VAR模型用于分析多个时间序列变量间的动态关系，能够捕捉变量间的相互影响和滞后效应。"
+    result_text += f"\n\n⚠️ 注意事项：VAR模型假设所有变量都是内生的，适用于分析变量间的动态交互关系。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"VAR模型: 滞后阶数={result.order}, AIC={result.aic:.2f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_vecm_model(ctx, data, coint_rank=1, deterministic="co", max_lags=5, **kwargs):
+    """处理VECM模型分析 - 统一输出格式"""
     result = vecm_model(data, coint_rank=coint_rank, deterministic=deterministic, max_lags=max_lags)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 VECM模型分析结果
+
+🔍 模型基本信息：
+- 协整秩 = {result.coint_rank}
+- 确定性项类型 = {deterministic}
+- 最大滞后阶数 = {max_lags}
+- AIC = {result.aic:.2f}
+- BIC = {getattr(result, 'bic', 'N/A')}
+- HQIC = {getattr(result, 'hqic', 'N/A')}
+
+📈 协整关系分析："""
+    
+    # 添加协整关系信息
+    if hasattr(result, 'coint_relations'):
+        result_text += f"\n- 协整关系数量: {len(result.coint_relations)}"
+        for i, relation in enumerate(result.coint_relations[:3], 1):  # 显示前3个关系
+            result_text += f"\n- 关系{i}: {relation}"
+        if len(result.coint_relations) > 3:
+            result_text += f"\n- ... 还有{len(result.coint_relations) - 3}个协整关系"
+    
+    # 添加误差修正项信息
+    if hasattr(result, 'error_correction'):
+        result_text += f"\n\n🔧 误差修正机制："
+        result_text += f"\n- 误差修正项显著性: {result.error_correction}"
+    
+    result_text += f"\n\n💡 模型说明：VECM模型用于分析非平稳时间序列的长期均衡关系，包含误差修正机制来反映短期调整过程。"
+    result_text += f"\n\n⚠️ 注意事项：VECM模型要求变量间存在协整关系，适用于分析经济变量的长期均衡和短期动态调整。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"VECM模型: 协整秩={result.coint_rank}, AIC={result.aic:.2f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_garch_model(ctx, data, order=(1, 1), dist="normal", **kwargs):
+    """处理GARCH模型分析 - 统一输出格式"""
     result = garch_model(data, order=order, dist=dist)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 GARCH模型分析结果
+
+🔍 模型基本信息：
+- GARCH阶数 = ({order[0]}, {order[1]})
+- 误差分布 = {dist}
+- 持久性 = {result.persistence:.4f}
+- AIC = {result.aic:.2f}
+- BIC = {getattr(result, 'bic', 'N/A')}
+
+📈 波动率特征："""
+    
+    # 添加波动率特征信息
+    if hasattr(result, 'volatility_persistence'):
+        result_text += f"\n- 波动率持续性: {result.volatility_persistence:.4f}"
+    if hasattr(result, 'unconditional_variance'):
+        result_text += f"\n- 无条件方差: {result.unconditional_variance:.4f}"
+    if hasattr(result, 'leverage_effect'):
+        result_text += f"\n- 杠杆效应: {result.leverage_effect}"
+    
+    # 添加模型诊断信息
+    if hasattr(result, 'residuals_test'):
+        result_text += f"\n\n🔧 模型诊断："
+        result_text += f"\n- 残差检验: {result.residuals_test}"
+    
+    result_text += f"\n\n💡 模型说明：GARCH模型用于分析金融时间序列的波动率聚类现象，能够捕捉条件异方差性。"
+    result_text += f"\n\n⚠️ 注意事项：GARCH模型适用于金融数据波动率建模，阶数选择影响模型对波动率持续性的捕捉能力。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"GARCH模型: 持久性={result.persistence:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
-async def handle_state_space_model(ctx, data, state_dim=1, observation_dim=1, 
+async def handle_state_space_model(ctx, data, state_dim=1, observation_dim=1,
                                   trend=True, seasonal=False, period=12, **kwargs):
+    """处理状态空间模型分析 - 统一输出格式"""
     result = state_space_model(data, state_dim, observation_dim, trend, seasonal, period)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 状态空间模型分析结果
+
+🔍 模型结构信息：
+- 状态维度 = {result.state_dim}
+- 观测维度 = {result.observation_dim}
+- 趋势项 = {'包含' if result.trend else '不包含'}
+- 季节项 = {'包含' if result.seasonal else '不包含'}
+- 季节周期 = {result.period if result.seasonal else 'N/A'}
+- AIC = {result.aic:.2f}
+- BIC = {getattr(result, 'bic', 'N/A')}
+
+📈 模型拟合信息："""
+    
+    # 添加模型拟合信息
+    if hasattr(result, 'log_likelihood'):
+        result_text += f"\n- 对数似然值: {result.log_likelihood:.2f}"
+    if hasattr(result, 'converged'):
+        result_text += f"\n- 收敛状态: {'已收敛' if result.converged else '未收敛'}"
+    if hasattr(result, 'smoothing_error'):
+        result_text += f"\n- 平滑误差: {result.smoothing_error:.4f}"
+    
+    result_text += f"\n\n💡 模型说明：状态空间模型用于分析时间序列的潜在状态和观测关系，能够处理复杂的动态系统。"
+    result_text += f"\n\n⚠️ 注意事项：状态空间模型适用于分析具有潜在状态的时间序列，参数估计可能对初始值敏感。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"状态空间模型: AIC={result.aic:.2f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_variance_decomposition(ctx, data, periods=10, max_lags=5, **kwargs):
+    """处理方差分解分析 - 统一输出格式"""
     result = variance_decomposition(data, periods=periods, max_lags=max_lags)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 方差分解分析结果
+
+🔍 分析设置：
+- 分解期数 = {periods}
+- 最大滞后阶数 = {max_lags}
+- 变量数量 = {len(result) if isinstance(result, dict) else '未知'}
+
+📈 方差分解结果："""
+    
+    # 添加方差分解结果
+    if isinstance(result, dict):
+        for var_name, decomposition in result.items():
+            if isinstance(decomposition, dict):
+                result_text += f"\n\n🔬 变量 '{var_name}' 的方差来源："
+                for source, percentage in decomposition.items():
+                    result_text += f"\n- {source}: {percentage:.1f}%"
+            else:
+                result_text += f"\n- {var_name}: {decomposition}"
+    else:
+        result_text += f"\n- 结果: {result}"
+    
+    result_text += f"\n\n💡 分析说明：方差分解用于分析多变量系统中各变量对预测误差方差的贡献程度。"
+    result_text += f"\n\n⚠️ 注意事项：方差分解结果依赖于模型的滞后阶数选择，不同期数的分解结果可能不同。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"方差分解: {periods}期")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result
     )
 
 
 # 机器学习处理器
 async def handle_random_forest(ctx, y_data, x_data, feature_names=None, n_estimators=100, max_depth=None, **kwargs):
+    """处理随机森林回归 - 统一输出格式"""
     result = random_forest_regression(y_data, x_data, feature_names, n_estimators, max_depth)
+    
+    # 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) 增加样本数量 3) 调整模型参数"
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 随机森林回归分析结果
+
+🔍 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}
+- 树的数量 = {result.n_estimators}
+- 最大深度 = {result.max_depth if result.max_depth else '无限制'}
+- 袋外得分 = {f"{result.oob_score:.4f}" if result.oob_score else '未计算'}
+{r2_warning}
+
+📈 特征重要性（前10个）："""
+    
+    # 添加特征重要性信息，按重要性排序
+    if result.feature_importance:
+        sorted_features = sorted(result.feature_importance.items(), key=lambda x: x[1], reverse=True)
+        for i, (feature, importance) in enumerate(sorted_features[:10]):
+            result_text += f"\n- {feature}: {importance:.4f}"
+        if len(sorted_features) > 10:
+            result_text += f"\n- ... 还有{len(sorted_features) - 10}个特征"
+    else:
+        result_text += "\n- 特征重要性未计算"
+    
+    result_text += f"\n\n💡 模型说明：随机森林通过构建多个决策树并集成结果，能够处理非线性关系和特征交互，对异常值稳健且不易过拟合。"
+    result_text += f"\n\n⚠️ 注意事项：随机森林是黑盒模型，可解释性较差，但预测性能通常较好。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"随机森林: R²={result.r2_score:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
-async def handle_gradient_boosting(ctx, y_data, x_data, feature_names=None, 
+async def handle_gradient_boosting(ctx, y_data, x_data, feature_names=None,
                                   n_estimators=100, learning_rate=0.1, max_depth=3, **kwargs):
+    """处理梯度提升树回归 - 统一输出格式"""
     result = gradient_boosting_regression(y_data, x_data, feature_names, n_estimators, learning_rate, max_depth)
+    
+    # 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) 增加样本数量 3) 调整模型参数"
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 梯度提升树回归分析结果
+
+🔍 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}
+- 树的数量 = {result.n_estimators}
+- 学习率 = {result.learning_rate}
+- 最大深度 = {result.max_depth}
+{r2_warning}
+
+📈 特征重要性（前10个）："""
+    
+    # 添加特征重要性信息，按重要性排序
+    if result.feature_importance:
+        sorted_features = sorted(result.feature_importance.items(), key=lambda x: x[1], reverse=True)
+        for i, (feature, importance) in enumerate(sorted_features[:10]):
+            result_text += f"\n- {feature}: {importance:.4f}"
+        if len(sorted_features) > 10:
+            result_text += f"\n- ... 还有{len(sorted_features) - 10}个特征"
+    else:
+        result_text += "\n- 特征重要性未计算"
+    
+    result_text += f"\n\n💡 模型说明：梯度提升树通过顺序构建决策树，每棵树修正前一棵树的错误，能够处理复杂的非线性关系，通常具有很高的预测精度。"
+    result_text += f"\n\n⚠️ 注意事项：梯度提升树对参数敏感，需要仔细调优，训练时间较长但预测性能优秀。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"梯度提升树: R²={result.r2_score:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 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()
     )
 
 
 async def handle_cross_validation(ctx, y_data, x_data, model_type="random_forest", cv_folds=5, scoring="r2", **kwargs):
+    """处理交叉验证 - 统一输出格式"""
     result = cross_validation(y_data, x_data, model_type, cv_folds, scoring)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 交叉验证分析结果
+
+🔍 验证信息：
+- 模型类型 = {result.model_type}
+- 交叉验证折数 = {result.n_splits}
+- 评分指标 = {scoring}
+- 平均得分 = {result.mean_score:.4f}
+- 得分标准差 = {result.std_score:.4f}
+- 变异系数 = {(result.std_score / abs(result.mean_score)) * 100 if result.mean_score != 0 else 0:.2f}%
+
+📈 各折得分详情："""
+    
+    # 添加各折得分
+    for i, score in enumerate(result.cv_scores, 1):
+        result_text += f"\n- 第{i}折: {score:.4f}"
+    
+    # 评估模型稳定性
+    stability_assessment = ""
+    cv_threshold = 0.1  # 10%的变异系数阈值
+    cv_value = (result.std_score / abs(result.mean_score)) if result.mean_score != 0 else 0
+    
+    if cv_value < cv_threshold:
+        stability_assessment = f"\n\n✅ 模型稳定性：优秀（变异系数{cv_value*100:.2f}% < {cv_threshold*100:.0f}%）"
+    elif cv_value < cv_threshold * 2:
+        stability_assessment = f"\n\n⚠️ 模型稳定性：一般（变异系数{cv_value*100:.2f}% 在{cv_threshold*100:.0f}%-{cv_threshold*2*100:.0f}%之间）"
+    else:
+        stability_assessment = f"\n\n❌ 模型稳定性：较差（变异系数{cv_value*100:.2f}% > {cv_threshold*2*100:.0f}%）"
+    
+    result_text += stability_assessment
+    result_text += f"\n\n💡 模型说明：交叉验证通过将数据分成多个子集进行训练和测试，评估模型的泛化能力和稳定性。"
+    result_text += f"\n\n⚠️ 注意事项：变异系数越小表明模型越稳定，建议选择变异系数小于10%的模型。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"交叉验证: 平均得分={result.mean_score:.4f}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )
 
 
 async def handle_feature_importance(ctx, y_data, x_data, feature_names=None, method="random_forest", top_k=5, **kwargs):
+    """处理特征重要性分析 - 统一输出格式"""
     result = feature_importance_analysis(y_data, x_data, feature_names, method, top_k)
+    
+    # 构建详细的结果文本
+    result_text = f"""📊 特征重要性分析结果
+
+🔍 分析信息：
+- 分析方法 = {method}
+- 显示Top特征数量 = {top_k}
+- 总特征数量 = {len(result.feature_importance)}
+
+📈 特征重要性排名："""
+    
+    # 添加特征重要性信息
+    for i, (feature, importance) in enumerate(result.sorted_features[:top_k], 1):
+        percentage = (importance / sum(result.feature_importance.values())) * 100 if sum(result.feature_importance.values()) > 0 else 0
+        result_text += f"\n{i}. {feature}: {importance:.4f} ({percentage:.1f}%)"
+    
+    # 添加重要性分布信息
+    if len(result.sorted_features) > 0:
+        top_k_importance = sum(imp for _, imp in result.sorted_features[:top_k])
+        total_importance = sum(result.feature_importance.values())
+        top_k_percentage = (top_k_importance / total_importance) * 100 if total_importance > 0 else 0
+        
+        result_text += f"\n\n📊 重要性分布："
+        result_text += f"\n- Top {top_k}特征累计重要性: {top_k_percentage:.1f}%"
+        result_text += f"\n- 剩余特征重要性: {100 - top_k_percentage:.1f}%"
+    
+    result_text += f"\n\n💡 分析说明：特征重要性分析帮助识别对预测目标最重要的变量，可用于特征选择和模型解释。"
+    result_text += f"\n\n⚠️ 注意事项：不同方法计算的特征重要性可能不同，建议结合业务知识进行解释。"
+    
     return CallToolResult(
-        content=[TextContent(type="text", text=f"特征重要性: Top特征={result.top_features}")],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
     )

{aigroup_econ_mcp-0.6.0.dist-info → aigroup_econ_mcp-0.8.0.dist-info}/METADATA

@@ -1,7 +1,7 @@
 Metadata-Version: 2.4
 Name: aigroup-econ-mcp
-Version: 0.6.0
-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）
+Version: 0.8.0
+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：统一输出格式，增强模型说明）
 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-0.6.0.dist-info → aigroup_econ_mcp-0.8.0.dist-info}/RECORD

@@ -1,4 +1,4 @@
-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=pmE-n8NwU3xqzJBVdgXBTSSHmt_RDIG9lYMYi8rL9fM,30899
@@ -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=wIAPoUtpMiQi6Z0wf1UHd91DzTgkaQgB47IKyNvJQ3s,26661
-aigroup_econ_mcp/tools/tool_handlers.py,sha256=cqv7FU95b_kjEJcZSAIGuGjUqbcCCKT0MXrmflnnelo,15028
+aigroup_econ_mcp/tools/tool_descriptions.py,sha256=Oj_14_79AB8Ku64mV0cdoV5f2-UFx-0NY3Xxjj6L-1A,32506
+aigroup_econ_mcp/tools/tool_handlers.py,sha256=RUXCB8dYkS2sbn7pKl3WPI70HQHwCDoy0hEmQMJ8rbs,34399
 aigroup_econ_mcp/tools/tool_registry.py,sha256=4SFpMnReZyGfEHCCDnojwHIUEpuQICS9M2u_9xuoUck,4413
 aigroup_econ_mcp/tools/validation.py,sha256=F7LHwog5xtFIMjD9D48kd8jAF5MsZb7wjdrgaOg8EKo,16657
-aigroup_econ_mcp-0.6.0.dist-info/METADATA,sha256=1Dm5vhxLPPc9Eqr8hF9Ao7jzxM9GFJqhlL-B3b-DykA,10866
-aigroup_econ_mcp-0.6.0.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
-aigroup_econ_mcp-0.6.0.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
-aigroup_econ_mcp-0.6.0.dist-info/licenses/LICENSE,sha256=DoyCJUWlDzKbqc5KRbFpsGYLwLh-XJRHKQDoITjb1yc,1083
-aigroup_econ_mcp-0.6.0.dist-info/RECORD,,
+aigroup_econ_mcp-0.8.0.dist-info/METADATA,sha256=7ByVxeiktZPL809uJSH7zKG59f6-1zAzb7uSpxT-Usc,10857
+aigroup_econ_mcp-0.8.0.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
+aigroup_econ_mcp-0.8.0.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
+aigroup_econ_mcp-0.8.0.dist-info/licenses/LICENSE,sha256=DoyCJUWlDzKbqc5KRbFpsGYLwLh-XJRHKQDoITjb1yc,1083
+aigroup_econ_mcp-0.8.0.dist-info/RECORD,,