aigroup-econ-mcp 0.8.0__tar.gz → 1.0.0__tar.gz

{aigroup_econ_mcp-0.8.0 → aigroup_econ_mcp-1.0.0}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: aigroup-econ-mcp
-Version: 0.8.0
+Version: 1.0.0
 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

{aigroup_econ_mcp-0.8.0 → aigroup_econ_mcp-1.0.0}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "hatchling.build"
 
 [project]
 name = "aigroup-econ-mcp"
-version = "0.8.0"
+version = "1.0.0"
 description = "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）"
 readme = "README.md"
 requires-python = ">=3.10"

{aigroup_econ_mcp-0.8.0 → aigroup_econ_mcp-1.0.0}/src/aigroup_econ_mcp/__init__.py

@@ -10,7 +10,7 @@ AIGroup 计量经济学 MCP 服务
 - 模型诊断
 """
 
-__version__ = "0.7.0"
+__version__ = "0.9.0"
 __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-0.8.0 → aigroup_econ_mcp-1.0.0}/src/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 = "0.6.0"
+    version: str = "1.0.0"
 
 
 @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="0.6.0")
+        yield AppContext(config=config, version="1.0.0")
     finally:
         pass
 

{aigroup_econ_mcp-0.8.0 → aigroup_econ_mcp-1.0.0}/src/aigroup_econ_mcp/tools/tool_handlers.py

@@ -167,11 +167,28 @@ async def handle_hypothesis_testing(ctx, data1: List[float], data2: Optional[Lis
 
 
 async def handle_time_series_analysis(ctx, data: List[float], **kwargs) -> CallToolResult:
-    """处理时间序列分析"""
+    """处理时间序列分析 - 增强版"""
     if not data or len(data) < 5:
         raise ValueError("时间序列数据至少需要5个观测点")
     
+    # 基本统计量
+    series = pd.Series(data)
+    basic_stats = {
+        "count": len(series),
+        "mean": float(series.mean()),
+        "std": float(series.std()),
+        "min": float(series.min()),
+        "max": float(series.max()),
+        "median": float(series.median()),
+        "skewness": float(series.skew()),
+        "kurtosis": float(series.kurtosis())
+    }
+    
+    # 平稳性检验
     adf_result = stattools.adfuller(data)
+    kpss_result = stattools.kpss(data, regression='c', nlags='auto')
+    
+    # 自相关分析
     max_nlags = min(20, len(data) - 1, len(data) // 2)
     if max_nlags < 1:
         max_nlags = 1
@@ -184,26 +201,68 @@ async def handle_time_series_analysis(ctx, data: List[float], **kwargs) -> CallT
         pacf_values = np.zeros(max_nlags + 1)
         acf_values[0] = pacf_values[0] = 1.0
     
+    # 构建详细的结果文本
+    result_text = f"""📊 时间序列分析结果
+
+🔍 基本统计信息：
+- 观测数量 = {basic_stats['count']}
+- 均值 = {basic_stats['mean']:.4f}
+- 标准差 = {basic_stats['std']:.4f}
+- 最小值 = {basic_stats['min']:.4f}
+- 最大值 = {basic_stats['max']:.4f}
+- 中位数 = {basic_stats['median']:.4f}
+- 偏度 = {basic_stats['skewness']:.4f}
+- 峰度 = {basic_stats['kurtosis']:.4f}
+
+📈 平稳性检验：
+- ADF检验统计量 = {adf_result[0]:.4f}
+- ADF检验p值 = {adf_result[1]:.4f}
+- KPSS检验统计量 = {kpss_result[0]:.4f}
+- KPSS检验p值 = {kpss_result[1]:.4f}
+- 平稳性判断 = {'平稳' if adf_result[1] < 0.05 and kpss_result[1] > 0.05 else '非平稳'}
+
+🔬 自相关分析：
+- ACF前5阶: {[f'{x:.4f}' for x in acf_values[:5]]}
+- PACF前5阶: {[f'{x:.4f}' for x in pacf_values[:5]]}"""
+
+    # 添加模型建议
+    if adf_result[1] < 0.05:  # 平稳序列
+        result_text += f"\n\n💡 模型建议：数据为平稳序列，可考虑ARMA、ARIMA(p,d,q)等模型。"
+        # 根据ACF/PACF模式给出建议
+        acf_decay = abs(acf_values[1]) > 0.5
+        pacf_cutoff = abs(pacf_values[1]) > 0.5 and all(abs(x) < 0.3 for x in pacf_values[2:5])
+        
+        if acf_decay and pacf_cutoff:
+            result_text += f"\n- ACF缓慢衰减，PACF在1阶截尾，建议尝试AR(1)模型"
+        elif not acf_decay and not pacf_cutoff:
+            result_text += f"\n- ACF和PACF均缓慢衰减，建议尝试ARMA模型"
+    else:  # 非平稳序列
+        result_text += f"\n\n💡 模型建议：数据为非平稳序列，建议进行差分处理后再建模。"
+        result_text += f"\n- 可尝试ARIMA(p,d,q)模型，其中d为差分阶数"
+        result_text += f"\n- 如果存在趋势和季节模式，可考虑SARIMA模型"
+    
+    result_text += f"\n\n⚠️ 注意事项："
+    result_text += f"\n- 平稳性是时间序列建模的重要前提"
+    result_text += f"\n- ACF和PACF模式有助于识别合适的模型阶数"
+    result_text += f"\n- 建议结合信息准则（AIC/BIC）进行模型选择"
+    
     result_data = {
+        "basic_statistics": basic_stats,
         "adf_statistic": float(adf_result[0]),
         "adf_pvalue": float(adf_result[1]),
-        "stationary": bool(adf_result[1] < 0.05),
+        "kpss_statistic": float(kpss_result[0]),
+        "kpss_pvalue": float(kpss_result[1]),
+        "stationary": bool(adf_result[1] < 0.05 and kpss_result[1] > 0.05),
         "acf": [float(x) for x in acf_values.tolist()],
-        "pacf": [float(x) for x in pacf_values.tolist()]
+        "pacf": [float(x) for x in pacf_values.tolist()],
+        "model_suggestions": {
+            "is_stationary": adf_result[1] < 0.05,
+            "suggested_models": ["ARMA", "ARIMA"] if adf_result[1] < 0.05 else ["ARIMA", "SARIMA"]
+        }
     }
     
     return CallToolResult(
-        content=[
-            TextContent(
-                type="text",
-                text=f"时间序列分析结果：\n"
-                     f"ADF检验统计量 = {result_data['adf_statistic']:.4f}\n"
-                     f"ADF检验p值 = {result_data['adf_pvalue']:.4f}\n"
-                     f"{'平稳' if result_data['stationary'] else '非平稳'}序列\n"
-                     f"ACF前5阶: {result_data['acf'][:5]}\n"
-                     f"PACF前5阶: {result_data['pacf'][:5]}"
-            )
-        ],
+        content=[TextContent(type="text", text=result_text)],
         structuredContent=result_data
     )
 
@@ -502,27 +561,32 @@ async def handle_state_space_model(ctx, data, state_dim=1, observation_dim=1,
     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'}
+- 状态维度 = {state_dim}
+- 观测维度 = {observation_dim}
+- 趋势项 = {'包含' if trend else '不包含'}
+- 季节项 = {'包含' if seasonal else '不包含'}
+- 季节周期 = {period if seasonal else 'N/A'}
 - AIC = {result.aic:.2f}
-- BIC = {getattr(result, 'bic', 'N/A')}
+- BIC = {result.bic:.2f}
+- 对数似然值 = {result.log_likelihood:.2f}
 
-📈 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。"
+📈 状态分析："""
+
+    # 添加状态信息
+    if result.state_names:
+        result_text += f"\n- 状态变量: {', '.join(result.state_names)}"
+    if result.observation_names:
+        result_text += f"\n- 观测变量: {', '.join(result.observation_names)}"
     
+    # 添加状态估计信息
+    if result.filtered_state:
+        result_text += f"\n- 滤波状态估计: 已计算"
+    if result.smoothed_state:
+        result_text += f"\n- 平滑状态估计: 已计算"
+
+    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，特别适用于具有不可观测状态的时间序列建模。"
+    result_text += f"\n\n⚠️ 注意事项：状态空间模型参数估计可能对初始值敏感，建议进行多次初始化尝试以获得稳定结果。"
+
     return CallToolResult(
         content=[TextContent(type="text", text=result_text)],
         structuredContent=result.model_dump()
@@ -539,25 +603,35 @@ async def handle_variance_decomposition(ctx, data, periods=10, max_lags=5, **kwa
 🔍 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'}
+- 变量数量 = {len(data) if data 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(result, dict) and "variance_decomposition" in result:
+        variance_decomp = result["variance_decomposition"]
+        horizon = result.get("horizon", periods)
+        
+        result_text += f"\n- 分析期数: {horizon}期"
+        
+        for var_name, decomposition in variance_decomp.items():
+            result_text += f"\n\n🔬 变量 '{var_name}' 的方差来源："
             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}%"
+                for source, percentages in decomposition.items():
+                    if isinstance(percentages, list) and len(percentages) > 0:
+                        # 显示最后一期的贡献度
+                        final_percentage = percentages[-1] * 100 if isinstance(percentages[-1], (int, float)) else 0
+                        result_text += f"\n- {source}: {final_percentage:.1f}%"
+                    else:
+                        result_text += f"\n- {source}: {percentages:.1f}%"
             else:
-                result_text += f"\n- {var_name}: {decomposition}"
+                result_text += f"\n- 总方差: {decomposition:.1f}%"
     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。"
-    
+        result_text += f"\n- 结果格式异常，无法解析方差分解结果"
+
+    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，反映变量间的动态影响关系。"
+    result_text += f"\n\n⚠️ 注意事项：方差分解结果依赖于VAR模型的滞后阶数选择，不同期数的分解结果反映短期和长期影响。"
+
     return CallToolResult(
         content=[TextContent(type="text", text=result_text)],
         structuredContent=result