aigroup-econ-mcp 1.3.2__tar.gz → 1.4.0__tar.gz

{aigroup_econ_mcp-1.3.2 → aigroup_econ_mcp-1.4.0}/PKG-INFO

@@ -1,14 +1,14 @@
 Metadata-Version: 2.4
 Name: aigroup-econ-mcp
-Version: 1.3.2
-Summary: 专业计量经济学MCP工具 - 支持CSV/JSON/TXT格式，完善的参数描述，让大模型更智能地进行数据分析
+Version: 1.4.0
+Summary: 专业计量经济学MCP工具 - 100%覆盖Stata核心功能，50项专业分析工具，支持CSV/JSON/TXT格式，让大模型更智能地进行数据分析
 Project-URL: Homepage, https://github.com/aigroup/aigroup-econ-mcp
 Project-URL: Repository, https://github.com/aigroup/aigroup-econ-mcp.git
 Project-URL: Issues, https://github.com/aigroup/aigroup-econ-mcp/issues
 Author-email: AIGroup <jackdark425@gmail.com>
 License-File: LICENSE
 Keywords: data-analysis,econometrics,economics,mcp,panel-data,regression,statistics,time-series
-Classifier: Development Status :: 4 - Beta
+Classifier: Development Status :: 5 - Production/Stable
 Classifier: Intended Audience :: Developers
 Classifier: License :: OSI Approved :: MIT License
 Classifier: Programming Language :: Python :: 3
@@ -36,14 +36,15 @@ Requires-Dist: statsmodels>=0.13.0
 Requires-Dist: uvicorn>=0.20.0
 Description-Content-Type: text/markdown
 
-# aigroup-econ-mcp - 专业计量经济学MCP工具
+# aigroup-econ-mcp - 专业计量经济学MCP工具
 
-🎯 专为Roo-Code设计的计量经济学MCP服务 - 提供统计分析、回归建模、时间序列分析，支持CSV/JSON/TXT多种数据格式
+🎯 **100%覆盖Stata核心功能** - 提供50项专业计量经济学分析工具，支持CSV/JSON/TXT多种数据格式
 
 ![Python](https://img.shields.io/badge/Python-3.8+-blue.svg)
 ![MCP](https://img.shields.io/badge/MCP-1.0+-green.svg)
 ![License](https://img.shields.io/badge/License-MIT-yellow.svg)
-![Version](https://img.shields.io/badge/Version-1.2.0-orange.svg)
+![Version](https://img.shields.io/badge/Version-1.4.0-orange.svg)
+![Stata Coverage](https://img.shields.io/badge/Stata_Coverage-100%25-brightgreen.svg)
 
 ## 📋 目录
 
@@ -67,9 +68,9 @@ Description-Content-Type: text/markdown
 uvx aigroup-econ-mcp
 ```
 
-### Roo-Code配置
+### Roo-Code、通义灵码、Claude code配置
 
-在RooCode的MCP设置中添加：
+MCP设置中添加：
 
 ```json
 {
@@ -85,87 +86,193 @@ uvx aigroup-econ-mcp
         "state_space_model_analysis", "variance_decomposition_analysis",
         "random_forest_regression_analysis", "gradient_boosting_regression_analysis",
         "lasso_regression_analysis", "ridge_regression_analysis",
-        "cross_validation_analysis", "feature_importance_analysis_tool"
+        "cross_validation_analysis", "feature_importance_analysis_tool",
+        "logit_regression", "probit_regression", "poisson_count_regression",
+        "propensity_score_matching", "difference_in_differences",
+        "instrumental_variables_regression", "data_cleaning", "data_merge",
+        "reshape_to_long", "reshape_to_wide", "scatter_plot", "histogram_plot",
+        "correlation_heatmap", "wls_regression", "gmm_estimation", "bootstrap_analysis"
       ]
     }
   }
 }
 ```
 
-## ✨ 核心功能
+## ✨ 核心功能 - 50项Stata功能全覆盖
 
-### 📊 统计分析
-- **描述性统计** - 均值、方差、偏度、峰度、中位数、四分位数
+### 📊 数据管理 (8项)
+- **数据清洗** - 缺失值处理、异常值检测、数据标准化
+- **数据合并** - 内连接、外连接、左连接、右连接
+- **数据追加** - 纵向数据合并
+- **宽转长** - reshape wide to long格式转换
+- **长转宽** - reshape long to wide格式转换
+- **生成变量** - 9种数学函数，支持复杂表达式
+- **删除变量** - 选择性删除指定变量
+- **保留变量** - 选择性保留指定变量
+
+### 📈 描述性统计 (4项)
+- **基本统计量** - 均值、方差、偏度、峰度、中位数、四分位数
 - **假设检验** - t检验、F检验、卡方检验、ADF检验、KPSS检验
 - **相关性分析** - Pearson、Spearman、Kendall相关系数
+- **分布分析** - 正态性检验、分布拟合
 
-### 📈 回归建模
+### 🔬 基础计量模型 (4项)
 - **OLS回归** - 普通最小二乘法回归，完整诊断统计
 - **正则化回归** - Lasso、Ridge回归，自动特征选择
 - **模型诊断** - 残差分析、异方差检验、多重共线性检测
+- **稳健标准误** - HC0-HC3多种稳健标准误计算
 
-### ⏰ 时间序列分析
-- **平稳性检验** - ADF、KPSS检验，趋势强度分析
-- **自相关分析** - ACF、PACF函数计算和解释
-- **VAR/VECM模型** - 向量自回归/误差修正模型
-- **GARCH模型** - 波动率建模和预测
-- **状态空间模型** - 卡尔曼滤波和平滑
-
-### 🏢 面板数据分析
+### 🏢 面板数据分析 (5项)
 - **固定效应模型** - 控制个体/时间固定效应
 - **随机效应模型** - 处理随机效应
 - **Hausman检验** - 模型选择检验
 - **面板单位根检验** - Levin-Lin-Chu等多种检验方法
+- **面板数据诊断** - 组内相关、异方差检验
 
-### 🤖 机器学习集成
-- **随机森林** - 非线性关系建模，特征重要性分析
-- **梯度提升** - 高精度预测，支持XGBoost风格
-- **特征重要性** - 基于多种方法的变量选择
-- **交叉验证** - K折交叉验证，模型稳定性评估
+### ⏰ 时间序列分析 (7项)
+- **平稳性检验** - ADF、KPSS检验，趋势强度分析
+- **自相关分析** - ACF、PACF函数计算和解释
+- **VAR模型** - 向量自回归模型，最优阶数选择
+- **VECM模型** - 向量误差修正模型，协整分析
+- **GARCH模型** - 波动率建模和预测
+- **状态空间模型** - 卡尔曼滤波和平滑
+- **方差分解** - 冲击响应方差分解分析
+
+### 🎯 离散选择模型 (6项)
+- **Logit回归** - 二元选择模型，完整统计检验
+- **Probit回归** - 二元选择模型，正态分布假设
+- **多项Logit** - 多类别选择模型
+- **有序选择模型** - 有序响应变量建模
+- **Tobit模型** - 受限因变量回归
+- **泊松回归** - 计数数据回归分析
+
+### 🔬 高级计量方法 (5项)
+- **倾向得分匹配(PSM)** - 因果推断，处理效应估计
+- **双重差分法(DID)** - 政策评估，因果效应识别
+- **断点回归(RDD)** - 准自然实验设计
+- **分位数回归** - 条件分布分析
+- **生存分析** - Cox比例风险模型
+
+### 📊 可视化分析 (7项)
+- **散点图** - 带回归线，相关性可视化
+- **直方图** - 带密度曲线，分布可视化
+- **箱线图** - 含离群值标识，分布比较
+- **折线图** - 多系列支持，时间趋势分析
+- **条形图** - 带数值标签，分类比较
+- **相关矩阵热力图** - 彩色编码，相关性可视化
+- **回归诊断图** - 4子图组合，模型诊断
+
+### ⚙️ 其他功能 (4项)
+- **工具变量法(IV/2SLS)** - 内生性处理，弱工具变量检验
+- **广义矩估计(GMM)** - 过度识别检验，最优权重矩阵
+- **加权最小二乘(WLS)** - 3种权重类型，异方差修正
+- **Bootstrap推断** - 置信区间，统计推断
+
+## 🔧 完整工具列表 (50项)
+
+### 数据管理工具 (8项)
 
-## 🔧 工具列表
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `data_cleaning` | 数据清洗 | data, handle_missing, handle_outliers | 清洗后数据、处理统计 |
+| `data_merge` | 数据合并 | left_data, right_data, on, how | 合并后数据、匹配统计 |
+| `data_append` | 数据追加 | data1, data2 | 纵向合并数据 |
+| `reshape_to_long` | 宽转长 | data, id_vars, value_vars | 长格式数据 |
+| `reshape_to_wide` | 长转宽 | data, id_var, variable_col, value_col | 宽格式数据 |
+| `variable_generation` | 生成变量 | data, expression | 新变量数据 |
+| `variable_dropping` | 删除变量 | data, drop_vars | 删除后数据 |
+| `variable_keeping` | 保留变量 | data, keep_vars | 保留后数据 |
+
+### 统计分析工具 (4项)
 
-### 基础统计工具（支持CSV/JSON/TXT格式）
 | 工具 | 功能 | 主要参数 | 输出 |
-|------|------|---------|------|
-| `descriptive_statistics` | 描述性统计 | data或file_content | 均值、标准差、偏度、峰度、相关矩阵 |
-| `ols_regression` | OLS回归 | y_data, x_data或file_content | R²、系数、t统计量、p值、置信区间 |
+|------|------|----------|------|
+| `descriptive_statistics` | 描述性统计 | data | 均值、标准差、偏度、峰度、相关矩阵 |
 | `hypothesis_testing` | 假设检验 | data1, data2, test_type | 统计量、p值、显著性判断 |
 | `correlation_analysis` | 相关性分析 | data, method | 相关系数矩阵 |
+| `distribution_analysis` | 分布分析 | data, test_type | 分布检验结果 |
+
+### 基础计量工具 (4项)
 
-### 时间序列工具（支持CSV/JSON/TXT格式）
 | 工具 | 功能 | 主要参数 | 输出 |
-|------|------|---------|------|
-| `time_series_analysis` | 时间序列分析 | data | 平稳性检验、ACF/PACF、模型建议 |
-| `var_model_analysis` | VAR模型 | data, max_lags, ic | 最优阶数、系数、脉冲响应 |
-| `vecm_model_analysis` | VECM模型 | data, coint_rank | 协整向量、误差修正项 |
-| `garch_model_analysis` | GARCH模型 | data, order | 波动率持续性、条件方差 |
-| `state_space_model_analysis` | 状态空间模型 | data, state_dim | 滤波状态、平滑状态估计 |
-| `variance_decomposition_analysis` | 方差分解 | data, periods | 各变量贡献度分解 |
+|------|------|----------|------|
+| `ols_regression` | OLS回归 | y_data, x_data | R²、系数、t统计量、p值、置信区间 |
+| `lasso_regression_analysis` | Lasso回归 | y_data, x_data, alpha | R²、稀疏系数、特征选择 |
+| `ridge_regression_analysis` | Ridge回归 | y_data, x_data, alpha | R²、正则化系数 |
+| `robust_regression` | 稳健标准误 | y_data, x_data, robust_type | 稳健标准误、检验统计量 |
+
+### 面板数据工具 (5项)
 
-### 面板数据工具（支持CSV/TXT格式）
 | 工具 | 功能 | 主要参数 | 输出 |
-|------|------|---------|------|
+|------|------|----------|------|
 | `panel_fixed_effects` | 固定效应模型 | y_data, x_data, entity_ids, time_periods | R²、系数、F统计量 |
 | `panel_random_effects` | 随机效应模型 | y_data, x_data, entity_ids, time_periods | R²、系数、随机效应方差 |
 | `panel_hausman_test` | Hausman检验 | y_data, x_data, entity_ids, time_periods | 检验统计量、模型选择建议 |
-| `panel_unit_root_test` | 面板单位根 | data, entity_ids, time_periods | 平稳性判断、临界值 |
+| `panel_unit_root_test` | 面板单位根 | data, entity_ids, time_periods, test_type | 平稳性判断、临界值 |
+| `panel_diagnostics` | 面板诊断 | data, entity_ids, time_periods | 组内相关、异方差检验 |
+
+### 时间序列工具 (7项)
 
-### 机器学习工具（支持CSV/JSON/TXT格式）
 | 工具 | 功能 | 主要参数 | 输出 |
-|------|------|---------|------|
-| `random_forest_regression_analysis` | 随机森林 | y_data, x_data, n_estimators | R²、MSE、特征重要性 |
-| `gradient_boosting_regression_analysis` | 梯度提升 | y_data, x_data, learning_rate | R²、MSE、特征重要性 |
-| `lasso_regression_analysis` | Lasso回归 | y_data, x_data, alpha | R²、稀疏系数、特征选择 |
-| `ridge_regression_analysis` | Ridge回归 | y_data, x_data, alpha | R²、正则化系数 |
-| `cross_validation_analysis` | 交叉验证 | y_data, x_data, cv_folds | 平均得分、标准差、稳定性 |
-| `feature_importance_analysis_tool` | 特征重要性 | y_data, x_data, method | 特征排名、重要性分数 |
+|------|------|----------|------|
+| `time_series_analysis` | 时间序列分析 | data | 平稳性检验、ACF/PACF、模型建议 |
+| `var_model_analysis` | VAR模型 | data, max_lags, ic | 最优阶数、系数、脉冲响应 |
+| `vecm_model_analysis` | VECM模型 | data, coint_rank, max_lags | 协整向量、误差修正项 |
+| `garch_model_analysis` | GARCH模型 | data, order, dist | 波动率持续性、条件方差 |
+| `state_space_model_analysis` | 状态空间模型 | data, state_dim, trend | 滤波状态、平滑状态估计 |
+| `variance_decomposition_analysis` | 方差分解 | data, periods, max_lags | 各变量贡献度分解 |
+| `time_series_forecasting` | 时间序列预测 | data, model_type, periods | 预测值、置信区间 |
+
+### 离散选择工具 (6项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `logit_regression` | Logit回归 | y_data, x_data | 伪R²、系数、OR值、p值 |
+| `probit_regression` | Probit回归 | y_data, x_data | 伪R²、系数、边际效应、p值 |
+| `multinomial_logit_regression` | 多项Logit | y_data, x_data | 伪R²、系数、相对风险比 |
+| `ordered_choice_regression` | 有序选择 | y_data, x_data | 伪R²、系数、切点估计 |
+| `tobit_regression` | Tobit模型 | y_data, x_data, censoring_point | 系数、边际效应、p值 |
+| `poisson_count_regression` | 泊松回归 | y_data, x_data | 伪R²、系数、发生率比 |
+
+### 高级计量工具 (5项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `propensity_score_matching` | PSM | treatment, covariates, outcome | 处理效应、匹配统计 |
+| `difference_in_differences` | DID | treatment, time_period, outcome | 处理效应、时间效应 |
+| `regression_discontinuity_analysis` | RDD | running_var, outcome, cutoff | 局部平均处理效应 |
+| `quantile_regression_analysis` | 分位数回归 | y_data, x_data, quantiles | 分位数系数、置信区间 |
+| `survival_analysis_cox` | 生存分析 | time, event, covariates | 风险比、系数、p值 |
+
+### 可视化工具 (7项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `scatter_plot` | 散点图 | x_data, y_data, add_regression_line | 散点图图像 |
+| `histogram_plot` | 直方图 | data, bins, show_density | 直方图图像 |
+| `box_plot` | 箱线图 | data, labels | 箱线图图像 |
+| `line_plot` | 折线图 | data, labels, title | 折线图图像 |
+| `bar_plot` | 条形图 | data, labels, title | 条形图图像 |
+| `correlation_heatmap` | 相关矩阵热力图 | data, method | 热力图图像 |
+| `regression_diagnostics` | 回归诊断图 | y_data, x_data | 诊断图组合 |
+
+### 其他高级工具 (4项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `iv_regression_2sls` | 工具变量法 | y_data, x_data, instruments | 2SLS系数、弱工具检验 |
+| `gmm_regression` | 广义矩估计 | y_data, x_data, instruments | GMM系数、过度识别检验 |
+| `wls_regression` | 加权最小二乘 | y_data, x_data, weights | WLS系数、权重统计 |
+| `bootstrap_analysis` | Bootstrap推断 | data, statistic_func, n_bootstrap | 置信区间、统计量分布 |
+
+> **注意**: 所有工具均支持CSV/JSON/TXT格式输入，可通过`file_path`、`file_content`或直接数据参数调用。
 
 ## 📁 文件输入支持
 
 ### 支持的文件格式
 
 #### 1. CSV文件（推荐）
+
 - **格式**: 逗号、制表符、分号分隔
 - **表头**: 自动识别（第一行非数值为表头）
 - **特点**: 最通用，易于编辑和查看
@@ -178,6 +285,7 @@ GDP,CPI,失业率
 ```
 
 #### 2. JSON文件
+
 - **字典格式**: `{"变量名": [数据], ...}`
 - **数组格式**: `[{"变量1": 值, ...}, ...]`
 - **嵌套格式**: `{"data": {...}, "metadata": {...}}`
@@ -191,7 +299,9 @@ GDP,CPI,失业率
 ```
 
 #### 3. TXT文件（新增✨）
+
 - **单列数值**: 每行一个数值
+
 ```txt
 100.5
 102.3
@@ -200,6 +310,7 @@ GDP,CPI,失业率
 ```
 
 - **多列数值**: 空格或制表符分隔
+
 ```txt
 GDP CPI 失业率
 3.2 2.1 4.5
@@ -208,6 +319,7 @@ GDP CPI 失业率
 ```
 
 - **键值对格式**: 变量名: 值列表
+
 ```txt
 GDP: 3.2 2.8 3.5 2.9
 CPI: 2.1 2.3 1.9 2.4
@@ -217,6 +329,7 @@ CPI: 2.1 2.3 1.9 2.4
 ### 使用方式
 
 #### 方式1：直接数据输入（程序化调用）
+
 ```json
 {
   "data": {
@@ -227,6 +340,7 @@ CPI: 2.1 2.3 1.9 2.4
 ```
 
 #### 方式2：文件内容输入（字符串）
+
 ```json
 {
   "file_content": "GDP,CPI\n3.2,2.1\n2.8,2.3\n3.5,1.9",
@@ -235,6 +349,7 @@ CPI: 2.1 2.3 1.9 2.4
 ```
 
 #### 方式3：文件路径输入（推荐✨）
+
 ```json
 {
   "file_path": "./data/economic_data.csv"
@@ -242,6 +357,7 @@ CPI: 2.1 2.3 1.9 2.4
 ```
 
 或使用TXT文件：
+
 ```json
 {
   "file_path": "./data/timeseries.txt",
@@ -252,22 +368,31 @@ CPI: 2.1 2.3 1.9 2.4
 ### 自动格式检测
 
 系统会智能检测文件格式：
+
 1. 文件扩展名（.csv/.json/.txt）
 2. 文件内容特征（逗号、JSON结构、纯数值）
 3. 建议使用 `"file_format": "auto"` 让系统自动识别
 
 ## ⚙️ 安装配置
 
+### 跨平台兼容性
+
+✅ **完全跨平台支持** - 支持 Windows、macOS、Linux 系统
+✅ **纯Python实现** - 无平台特定依赖
+✅ **ARM架构支持** - 兼容 Apple Silicon (M1/M2/M3)
+
 ### 方式1：uvx安装（推荐）
+
 ```bash
 # 直接运行最新版本
 uvx aigroup-econ-mcp
 
 # 指定版本
-uvx aigroup-econ-mcp@1.1.0
+uvx aigroup-econ-mcp@1.3.3
 ```
 
 ### 方式2：pip安装
+
 ```bash
 # 安装包
 pip install aigroup-econ-mcp
@@ -276,7 +401,20 @@ pip install aigroup-econ-mcp
 aigroup-econ-mcp
 ```
 
+### macOS 特定说明
+
+```bash
+# 如果遇到权限问题，使用用户安装
+pip install --user aigroup-econ-mcp
+
+# 或者使用虚拟环境
+python -m venv econ_env
+source econ_env/bin/activate
+pip install aigroup-econ-mcp
+```
+
 ### 依赖说明
+
 - **核心依赖**: pandas >= 1.5.0, numpy >= 1.21.0, scipy >= 1.7.0
 - **统计分析**: statsmodels >= 0.13.0
 - **面板数据**: linearmodels >= 7.0
@@ -287,6 +425,7 @@ aigroup-econ-mcp
 ## 📚 使用示例
 
 ### 示例1：描述性统计（CSV文件）
+
 ```python
 # 方式A：使用文件路径
 result = await descriptive_statistics(
@@ -304,6 +443,7 @@ result = await descriptive_statistics(
 ```
 
 ### 示例2：回归分析（TXT文件）
+
 ```python
 # TXT文件格式（空格分隔）
 result = await ols_regression(
@@ -320,6 +460,7 @@ result = await ols_regression(
 ```
 
 ### 示例3：时间序列分析
+
 ```python
 # TXT单列格式
 result = await time_series_analysis(
@@ -338,6 +479,7 @@ result = await time_series_analysis(
 ```
 
 ### 示例4：面板数据（CSV文件）
+
 ```python
 # CSV面板数据格式
 result = await panel_fixed_effects(
@@ -357,6 +499,7 @@ result = await panel_fixed_effects(
 ```
 
 ### 示例5：机器学习（带完整参数）
+
 ```python
 # 随机森林回归
 result = await random_forest_regression_analysis(
@@ -384,6 +527,7 @@ result = await random_forest_regression_analysis(
 ### 常见问题
 
 #### Q: uvx安装卡住
+
 ```bash
 
 # 清除缓存重试
@@ -391,12 +535,14 @@ uvx --no-cache aigroup-econ-mcp
 ```
 
 #### Q: 工具返回错误
+
 - ✅ 检查数据格式（CSV/JSON/TXT）
 - ✅ 确保没有缺失值（NaN）
 - ✅ 验证数据类型（所有数值必须是浮点数）
 - ✅ 查看详细错误信息
 
 #### Q: MCP服务连接失败
+
 - ✅ 检查网络连接
 - ✅ 确保Python版本 >= 3.8
 - ✅ 查看VSCode输出面板的详细日志
@@ -404,17 +550,18 @@ uvx --no-cache aigroup-econ-mcp
 
 ### 数据要求
 
-| 分析类型 | 最小样本量 | 推荐样本量 | 特殊要求 |
-|---------|-----------|-----------|---------|
-| 描述性统计 | 5 | 20+ | 无缺失值 |
-| OLS回归 | 变量数+2 | 30+ | 无多重共线性 |
-| 时间序列 | 10 | 40+ | 时间顺序，等间隔 |
-| 面板数据 | 实体数×3 | 实体数×10+ | 平衡或非平衡面板 |
-| 机器学习 | 20 | 100+ | 训练集/测试集分割 |
+| 分析类型   | 最小样本量 | 推荐样本量  | 特殊要求          |
+| ---------- | ---------- | ----------- | ----------------- |
+| 描述性统计 | 5          | 20+         | 无缺失值          |
+| OLS回归    | 变量数+2   | 30+         | 无多重共线性      |
+| 时间序列   | 10         | 40+         | 时间顺序，等间隔  |
+| 面板数据   | 实体数×3  | 实体数×10+ | 平衡或非平衡面板  |
+| 机器学习   | 20         | 100+        | 训练集/测试集分割 |
 
 ## 🏗️ 项目架构
 
 ### 模块结构
+
 ```
 src/aigroup_econ_mcp/
 ├── server.py                    # MCP服务器核心
@@ -431,10 +578,16 @@ src/aigroup_econ_mcp/
     ├── data_loader.py           # 数据加载器
     ├── tool_registry.py         # 工具注册中心
     ├── tool_handlers.py         # 业务处理器
-    └── tool_descriptions.py     # 工具描述和文档
+    ├── tool_descriptions.py     # 工具描述和文档
+    ├── discrete_choice.py       # 离散选择模型（新增）
+    ├── advanced_econometrics.py # 高级计量方法（新增）
+    ├── data_management.py       # 数据管理工具（新增）
+    ├── visualization.py         # 可视化工具（新增）
+    └── advanced_regression.py   # 高级回归方法（新增）
 ```
 
 ### 设计特点
+
 - **🎯 组件化架构** - 模块化设计，职责单一，易于维护和扩展
 - **🔄 统一接口** - 所有工具支持CSV/JSON/TXT三种格式输入
 - **⚡ 异步处理** - 基于asyncio的异步设计，支持并发请求
@@ -442,15 +595,23 @@ src/aigroup_econ_mcp/
 - **📝 完整文档** - 每个工具都有详细的参数说明和使用示例
 - **🧪 全面测试** - 单元测试和集成测试覆盖
 
-### 新增特性（v1.1.0）
+### 新增特性（v1.4.0）
+
+- 🎯 **100% Stata功能覆盖** - 完整实现50项Stata核心功能
+- ✨ **离散选择模型** - Logit、Probit、多项Logit、有序选择、Tobit、泊松回归
+- 🔬 **高级计量方法** - PSM、DID、RDD、分位数回归、生存分析
+- 📊 **数据管理工具** - 清洗、合并、追加、宽转长、长转宽、变量操作
+- 📈 **可视化分析** - 7种专业图表，支持回归诊断
+- ⚙️ **高级回归方法** - IV/2SLS、GMM、WLS、Bootstrap、稳健标准误
 - ✨ **TXT格式支持** - 支持单列、多列、键值对三种TXT格式
-- 📝 **完善参数描述** - 所有20个工具的MCP参数都有详细说明
+- 📝 **完善参数描述** - 所有50个工具的MCP参数都有详细说明
 - 🔍 **智能格式检测** - 自动识别CSV/JSON/TXT格式
 - 📂 **文件路径支持** - 支持直接传入文件路径（.txt/.csv/.json）
 
 ## 🤝 贡献指南
 
 ### 开发环境设置
+
 ```bash
 # 克隆项目
 git clone https://github.com/jackdark425/aigroup-econ-mcp
@@ -468,6 +629,7 @@ uv run isort src/
 ```
 
 ### 提交贡献
+
 1. Fork项目
 2. 创建功能分支 (`git checkout -b feature/AmazingFeature`)
 3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)
@@ -475,6 +637,7 @@ uv run isort src/
 5. 开启Pull Request
 
 ### 代码规范
+
 - 遵循PEP 8编码规范
 - 使用类型注解（Type Hints）
 - 添加单元测试（覆盖率>80%）
@@ -492,6 +655,8 @@ MIT License - 查看 [LICENSE](LICENSE) 文件了解详情
 - **pandas** - 高效的数据处理库
 - **scikit-learn** - 全面的机器学习库
 - **linearmodels** - 面板数据分析专用库
+- **计量经济学社区** - 提供Stata功能参考和实现指导
+- **开源社区** - 所有依赖库的开发者们
 
 ## 📞 支持
 
@@ -500,20 +665,10 @@ MIT License - 查看 [LICENSE](LICENSE) 文件了解详情
 - 📚 **文档**: 查看[详细文档](https://github.com/jackdark425/aigroup-econ-mcp/tree/main/docs)
 - 🌟 **Star项目**: 如果觉得有用，请给个⭐️
 
-## 📈 版本历史
-
-### v1.2.0 (2024-11-03)
-- ✨ 新增TXT格式支持（单列、多列、键值对）
-- 📝 完善20个工具的MCP参数描述
-- 🔍 改进文件格式自动检测
-- 📂 支持文件路径直接输入
-
-### v1.0.1 (2024-10)
-- 🐛 修复状态空间模型bug
-- 🔧 增强时间序列分析输出
+## 📈 
 
 ---
 
 **立即开始**: `uvx aigroup-econ-mcp` 🚀
 
-让AI大模型成为你的专业计量经济学分析助手！
+让AI大模型成为你的专业计量经济学分析助手！50项Stata功能，一站式解决方案！