aigroup-econ-mcp 1.4.0__tar.gz → 1.4.2__tar.gz

{aigroup_econ_mcp-1.4.0 → aigroup_econ_mcp-1.4.2}/PKG-INFO

@@ -1,10 +1,10 @@
 Metadata-Version: 2.4
-Name: aigroup-econ-mcp
-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
+Name: aigroup_econ_mcp
+Version: 1.4.2
+Summary: 专业计量经济学MCP工具 - 100%覆盖Stata核心功能，30+项专业分析工具，支持CSV/JSON/TXT/Excel格式，让大模型更智能地进行数据分析
+Project-URL: Homepage, https://github.com/jackdark425/aigroup-econ-mcp
+Project-URL: Repository, https://github.com/jackdark425/aigroup-econ-mcp.git
+Project-URL: Issues, https://github.com/ajackdark425/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
@@ -23,9 +23,9 @@ Requires-Python: >=3.10
 Requires-Dist: arch>=6.0.0
 Requires-Dist: click>=8.0.0
 Requires-Dist: linearmodels>=7.0
-Requires-Dist: matplotlib>=3.5.0
 Requires-Dist: mcp>=1.0.0
 Requires-Dist: numpy>=1.21.0
+Requires-Dist: openpyxl>=3.0.0
 Requires-Dist: pandas>=1.5.0
 Requires-Dist: psutil>=5.9.0
 Requires-Dist: pydantic>=2.0.0
@@ -43,7 +43,7 @@ Description-Content-Type: text/markdown
 ![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-1.4.0-orange.svg)
+![Version](https://img.shields.io/badge/Version-1.4.2-orange.svg)
 ![Stata Coverage](https://img.shields.io/badge/Stata_Coverage-100%25-brightgreen.svg)
 
 ## 📋 目录
@@ -98,77 +98,150 @@ MCP设置中添加：
 }
 ```
 
-## ✨ 核心功能 - 50项Stata功能全覆盖
-
-### 📊 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
-
-### 🔬 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
-
-### 🏢 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
-
-### ⏰ 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)
+## ✨ 核心功能 - 50项功能覆盖
+
+### 1. 基础与参数估计
+
+解决建立变量间的基础参数化关系并进行估计的问题。
+
+- **普通最小二乘法 (OLS)**
+- **最大似然估计 (MLE)**
+- **广义矩估计 (GMM)**
+
+### 2. 模型设定、诊断与稳健推断
+
+当基础模型的理想假设不成立时，修正模型或调整推断；对模型进行诊断和选择。
+
+- **稳健标准误**（处理异方差/自相关）
+- **广义最小二乘法 (GLS)**
+- **加权最小二乘法 (WLS)**
+- **岭回归/LASSO/弹性网络**（处理多重共线性/高维数据）
+- **联立方程模型**（处理双向因果关系）
+
+- **模型诊断**：异方差检验（White、Breusch-Pagan）、自相关检验（Durbin-Watson、Ljung-Box）、正态性检验（Jarque-Bera）、多重共线性诊断（VIF）、内生性检验（Durbin-Wu-Hausman）、残差诊断、影响点分析
+
+- **模型选择**：信息准则（AIC/BIC/HQIC）、交叉验证（K折、留一法）、格兰杰因果检验
+
+### 3. 因果识别策略
+
+在非实验数据中，识别变量间的因果关系（解决内生性问题）。
+
+- **工具变量法 (IV/2SLS)**
+- **控制函数法**
+- **面板数据模型**（固定效应、随机效应、一阶差分、Hausman检验）
+- **双重差分法 (DID)**
+- **三重差分法 (DDD)**
+- **事件研究法 (Event Study)**
+- **断点回归设计 (RDD)**
+- **合成控制法**
+- **匹配方法**（倾向得分匹配PSM、协变量平衡、倾向得分加权IPW、熵平衡法）
+
+- **效应分解与异质性**：中介效应分析（Baron-Kenny、Bootstrap检验、Sobel检验）、调节效应分析（交互项回归）、处理效应异质性 (HTE)、条件平均处理效应 (CATE)、因果森林
+
+- **稳健性检验**：敏感性分析、Rosenbaum bounds、双重机器学习 (Double ML)
+
+### 4. 特定数据类型建模
+
+针对因变量或数据结构的固有特性进行建模。
+
+#### 微观离散与受限数据
+
+因变量为分类、计数、截断等非连续情况。
+
+- **Logit/Probit**
+- **多项/有序/条件Logit**
+- **混合/嵌套Logit**
+- **Tobit**
+- **泊松/负二项回归**
+- **Heckman选择模型**
+
+#### 时间序列与面板数据
+
+分析具有时间维度数据的动态依赖、预测和非平稳性。
+
+- **ARIMA**
+- **指数平滑法**
+- **VAR/SVAR**
+- **GARCH**
+- **协整分析/VECM**
+- **面板VAR**
+
+- **平稳性与单位根检验**：ADF检验、PP检验、KPSS检验
+
+- **动态面板模型**：Arellano-Bond估计（差分GMM）、Blundell-Bond估计（系统GMM）
+
+- **结构突变检验**：Chow检验、Quandt-Andrews检验、Bai-Perron检验（多重断点）
+
+- **面板数据诊断**：Hausman检验（FE vs RE）、F检验（Pooled vs FE）、LM检验（Pooled vs RE）、组内相关性检验
+
+- **时变参数模型**：门限模型/转换回归（TAR/STAR）、马尔科夫转换模型
+
+#### 生存/持续时间数据
+
+分析"事件发生时间"数据并处理右删失。
+
+- **Kaplan-Meier估计量**
+- **Cox比例风险模型**
+- **加速失效时间模型**
+
+### 5. 空间计量经济学
+
+处理数据的空间依赖性和空间异质性。
+
+- **空间权重矩阵构建**（邻接、距离、K近邻矩阵）
+
+- **空间自相关检验**：Moran's I、Geary's C、局部空间自相关 (LISA)
+
+- **空间回归模型**：空间滞后模型 (SAR)、空间误差模型 (SEM)、空间杜宾模型 (SDM)、地理加权回归 (GWR)、空间面板数据模型
+
+### 6. 非参数与半参数方法
+
+放宽函数形式的线性或参数化假设，让数据本身驱动关系形态。
+
+- **核回归**
+- **局部回归**
+- **样条回归**
+- **广义可加模型 (GAM)**
+- **部分线性模型**
+- **非参数工具变量估计**
+
+### 7. 分布分析与分解方法
+
+分析因变量整个条件分布的特征，而非仅仅条件均值；对差异或变化进行分解。
+
+- **分位数回归**
+
+- **分解方法**：Oaxaca-Blinder分解、DiNardo-Fortin-Lemieux反事实分解、方差分解、ANOVA分解、Shapley值分解、时间序列分解（趋势-季节-随机）
+
+### 8. 现代计算与机器学习
+
+处理高维数据、复杂模式识别、预测以及为因果推断提供辅助工具。
+
+- **监督学习**：随机森林、梯度提升机 (GBM/XGBoost)、支持向量机 (SVM)、神经网络
+
+- **无监督学习**：聚类分析（K-means、层次聚类）
+
+- **因果推断增强**：双重机器学习 (Double ML)、因果森林 (Causal Forest)
+
+### 9. 统计推断技术
+
+在理论分布难以推导或模型复杂时，进行可靠的区间估计与假设检验。
+
+- **重采样方法**：自助法 (Bootstrap)、Pairs Bootstrap、Residual Bootstrap、Wild Bootstrap（异方差）、Block Bootstrap（时间序列/面板）、刀切法 (Jackknife)
+
+- **模拟方法**：蒙特卡洛模拟、置换检验 (Permutation Test)
+
+- **渐近方法**：Delta方法、聚类稳健推断
+
+### 10. 缺失数据与测量误差
+
+处理数据不完整或变量测量不准确的问题。
+
+- **缺失数据处理**：列表删除法、均值插补、回归插补、多重插补 (Multiple Imputation - MICE/Amelia)、期望最大化算法 (EM)
+
+- **测量误差**：工具变量法、SIMEX方法
+
+## 🔧 完整工具列表 (30+项)
 
 ### 数据管理工具 (8项)
 
@@ -244,17 +317,6 @@ MCP设置中添加：
 | `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)
 
@@ -302,7 +364,7 @@ GDP,CPI,失业率
 
 - **单列数值**: 每行一个数值
 
-```txt
+```
 100.5
 102.3
 101.8
@@ -311,7 +373,7 @@ 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
 2.8 2.3 4.2
@@ -320,7 +382,7 @@ 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
 失业率: 4.5 4.2 4.0 4.3
@@ -560,31 +622,6 @@ uvx --no-cache aigroup-econ-mcp
 
 ## 🏗️ 项目架构
 
-### 模块结构
-
-```
-src/aigroup_econ_mcp/
-├── server.py                    # MCP服务器核心
-├── cli.py                       # 命令行入口
-├── config.py                    # 配置管理
-└── tools/                       # 工具模块
-    ├── base.py                  # 基础工具类
-    ├── statistics.py            # 统计分析工具
-    ├── regression.py            # 回归分析工具
-    ├── time_series.py           # 时间序列工具
-    ├── panel_data.py            # 面板数据工具
-    ├── machine_learning.py      # 机器学习工具
-    ├── file_parser.py           # 文件解析器（CSV/JSON/TXT）
-    ├── 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
-    ├── 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
 
@@ -601,7 +638,6 @@ src/aigroup_econ_mcp/
 - ✨ **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50个工具的MCP参数都有详细说明

{aigroup_econ_mcp-1.4.0 → aigroup_econ_mcp-1.4.2}/README.md

@@ -5,7 +5,7 @@
 ![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-1.4.0-orange.svg)
+![Version](https://img.shields.io/badge/Version-1.4.2-orange.svg)
 ![Stata Coverage](https://img.shields.io/badge/Stata_Coverage-100%25-brightgreen.svg)
 
 ## 📋 目录
@@ -60,77 +60,150 @@ MCP设置中添加：
 }
 ```
 
-## ✨ 核心功能 - 50项Stata功能全覆盖
-
-### 📊 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
-
-### 🔬 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
-
-### 🏢 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
-
-### ⏰ 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)
+## ✨ 核心功能 - 50项功能覆盖
+
+### 1. 基础与参数估计
+
+解决建立变量间的基础参数化关系并进行估计的问题。
+
+- **普通最小二乘法 (OLS)**
+- **最大似然估计 (MLE)**
+- **广义矩估计 (GMM)**
+
+### 2. 模型设定、诊断与稳健推断
+
+当基础模型的理想假设不成立时，修正模型或调整推断；对模型进行诊断和选择。
+
+- **稳健标准误**（处理异方差/自相关）
+- **广义最小二乘法 (GLS)**
+- **加权最小二乘法 (WLS)**
+- **岭回归/LASSO/弹性网络**（处理多重共线性/高维数据）
+- **联立方程模型**（处理双向因果关系）
+
+- **模型诊断**：异方差检验（White、Breusch-Pagan）、自相关检验（Durbin-Watson、Ljung-Box）、正态性检验（Jarque-Bera）、多重共线性诊断（VIF）、内生性检验（Durbin-Wu-Hausman）、残差诊断、影响点分析
+
+- **模型选择**：信息准则（AIC/BIC/HQIC）、交叉验证（K折、留一法）、格兰杰因果检验
+
+### 3. 因果识别策略
+
+在非实验数据中，识别变量间的因果关系（解决内生性问题）。
+
+- **工具变量法 (IV/2SLS)**
+- **控制函数法**
+- **面板数据模型**（固定效应、随机效应、一阶差分、Hausman检验）
+- **双重差分法 (DID)**
+- **三重差分法 (DDD)**
+- **事件研究法 (Event Study)**
+- **断点回归设计 (RDD)**
+- **合成控制法**
+- **匹配方法**（倾向得分匹配PSM、协变量平衡、倾向得分加权IPW、熵平衡法）
+
+- **效应分解与异质性**：中介效应分析（Baron-Kenny、Bootstrap检验、Sobel检验）、调节效应分析（交互项回归）、处理效应异质性 (HTE)、条件平均处理效应 (CATE)、因果森林
+
+- **稳健性检验**：敏感性分析、Rosenbaum bounds、双重机器学习 (Double ML)
+
+### 4. 特定数据类型建模
+
+针对因变量或数据结构的固有特性进行建模。
+
+#### 微观离散与受限数据
+
+因变量为分类、计数、截断等非连续情况。
+
+- **Logit/Probit**
+- **多项/有序/条件Logit**
+- **混合/嵌套Logit**
+- **Tobit**
+- **泊松/负二项回归**
+- **Heckman选择模型**
+
+#### 时间序列与面板数据
+
+分析具有时间维度数据的动态依赖、预测和非平稳性。
+
+- **ARIMA**
+- **指数平滑法**
+- **VAR/SVAR**
+- **GARCH**
+- **协整分析/VECM**
+- **面板VAR**
+
+- **平稳性与单位根检验**：ADF检验、PP检验、KPSS检验
+
+- **动态面板模型**：Arellano-Bond估计（差分GMM）、Blundell-Bond估计（系统GMM）
+
+- **结构突变检验**：Chow检验、Quandt-Andrews检验、Bai-Perron检验（多重断点）
+
+- **面板数据诊断**：Hausman检验（FE vs RE）、F检验（Pooled vs FE）、LM检验（Pooled vs RE）、组内相关性检验
+
+- **时变参数模型**：门限模型/转换回归（TAR/STAR）、马尔科夫转换模型
+
+#### 生存/持续时间数据
+
+分析"事件发生时间"数据并处理右删失。
+
+- **Kaplan-Meier估计量**
+- **Cox比例风险模型**
+- **加速失效时间模型**
+
+### 5. 空间计量经济学
+
+处理数据的空间依赖性和空间异质性。
+
+- **空间权重矩阵构建**（邻接、距离、K近邻矩阵）
+
+- **空间自相关检验**：Moran's I、Geary's C、局部空间自相关 (LISA)
+
+- **空间回归模型**：空间滞后模型 (SAR)、空间误差模型 (SEM)、空间杜宾模型 (SDM)、地理加权回归 (GWR)、空间面板数据模型
+
+### 6. 非参数与半参数方法
+
+放宽函数形式的线性或参数化假设，让数据本身驱动关系形态。
+
+- **核回归**
+- **局部回归**
+- **样条回归**
+- **广义可加模型 (GAM)**
+- **部分线性模型**
+- **非参数工具变量估计**
+
+### 7. 分布分析与分解方法
+
+分析因变量整个条件分布的特征，而非仅仅条件均值；对差异或变化进行分解。
+
+- **分位数回归**
+
+- **分解方法**：Oaxaca-Blinder分解、DiNardo-Fortin-Lemieux反事实分解、方差分解、ANOVA分解、Shapley值分解、时间序列分解（趋势-季节-随机）
+
+### 8. 现代计算与机器学习
+
+处理高维数据、复杂模式识别、预测以及为因果推断提供辅助工具。
+
+- **监督学习**：随机森林、梯度提升机 (GBM/XGBoost)、支持向量机 (SVM)、神经网络
+
+- **无监督学习**：聚类分析（K-means、层次聚类）
+
+- **因果推断增强**：双重机器学习 (Double ML)、因果森林 (Causal Forest)
+
+### 9. 统计推断技术
+
+在理论分布难以推导或模型复杂时，进行可靠的区间估计与假设检验。
+
+- **重采样方法**：自助法 (Bootstrap)、Pairs Bootstrap、Residual Bootstrap、Wild Bootstrap（异方差）、Block Bootstrap（时间序列/面板）、刀切法 (Jackknife)
+
+- **模拟方法**：蒙特卡洛模拟、置换检验 (Permutation Test)
+
+- **渐近方法**：Delta方法、聚类稳健推断
+
+### 10. 缺失数据与测量误差
+
+处理数据不完整或变量测量不准确的问题。
+
+- **缺失数据处理**：列表删除法、均值插补、回归插补、多重插补 (Multiple Imputation - MICE/Amelia)、期望最大化算法 (EM)
+
+- **测量误差**：工具变量法、SIMEX方法
+
+## 🔧 完整工具列表 (30+项)
 
 ### 数据管理工具 (8项)
 
@@ -206,17 +279,6 @@ MCP设置中添加：
 | `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)
 
@@ -264,7 +326,7 @@ GDP,CPI,失业率
 
 - **单列数值**: 每行一个数值
 
-```txt
+```
 100.5
 102.3
 101.8
@@ -273,7 +335,7 @@ 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
 2.8 2.3 4.2
@@ -282,7 +344,7 @@ 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
 失业率: 4.5 4.2 4.0 4.3
@@ -522,31 +584,6 @@ uvx --no-cache aigroup-econ-mcp
 
 ## 🏗️ 项目架构
 
-### 模块结构
-
-```
-src/aigroup_econ_mcp/
-├── server.py                    # MCP服务器核心
-├── cli.py                       # 命令行入口
-├── config.py                    # 配置管理
-└── tools/                       # 工具模块
-    ├── base.py                  # 基础工具类
-    ├── statistics.py            # 统计分析工具
-    ├── regression.py            # 回归分析工具
-    ├── time_series.py           # 时间序列工具
-    ├── panel_data.py            # 面板数据工具
-    ├── machine_learning.py      # 机器学习工具
-    ├── file_parser.py           # 文件解析器（CSV/JSON/TXT）
-    ├── 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
-    ├── 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
 
@@ -563,7 +600,6 @@ src/aigroup_econ_mcp/
 - ✨ **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50个工具的MCP参数都有详细说明

aigroup_econ_mcp-1.4.2/__init__.py

@@ -0,0 +1,14 @@
+"""
+AIGroup Econometrics MCP Package
+专业计量经济学MCP工具包
+"""
+
+__version__ = "1.4.2"
+__author__ = "AIGroup"
+__email__ = "jackdark425@gmail.com"
+
+# 导出主要模块
+from .server import main
+from .cli import main as cli_main
+
+__all__ = ["main", "cli_main"]